[ad_1]
(Noticias de Nanowerk) El sol envía continuamente trillones de vatios de energía a la tierra. Continuará haciéndolo durante miles de millones de años más. Sin embargo, apenas hemos comenzado a aprovechar esta abundante fuente de energía renovable a un costo asequible.
Los absorbentes solares son un material que se utiliza para convertir esta energía en calor o electricidad. Maria Chan, científica del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE, por sus siglas en inglés), ha desarrollado un método de aprendizaje automático para probar muchos miles de compuestos como absorbentes solares (Ciencias Energéticas y Ambientales, «Diseño basado en datos de una nueva aleación de perovskita de haluro»). Su coautor en este proyecto fue Arun Mannodi-Kanakkithodi, un ex postdoctorado de Argonne que ahora es profesor asistente en la Universidad de Purdue.
«Según un estudio reciente del DOE, la energía solar podría proporcionar el 40 % de la electricidad del país para 2035», dijo Chan. «Y podría ayudar a descarbonizar la red eléctrica y crear una gran cantidad de nuevos puestos de trabajo».
Chan y Mannodi-Kanakkithodi apuestan a que el aprendizaje automático desempeñará un papel crucial en la consecución de este ambicioso objetivo. El aprendizaje automático es una forma de inteligencia artificial (IA) y utiliza una combinación de grandes conjuntos de datos y algoritmos para imitar la forma en que aprenden los humanos. Aprende del entrenamiento con datos de muestra y experiencias pasadas para hacer predicciones cada vez mejores.
En la época de Thomas Edison, los científicos descubrieron nuevos materiales a través del tedioso proceso de probar muchos candidatos diferentes hasta que uno funcionó. En las últimas décadas, también se han basado en cálculos que requieren mucha mano de obra, hasta mil horas, para predecir las propiedades de un material. Ahora pueden acortar ambos procesos de detección utilizando el aprendizaje automático.
Actualmente, el absorbente primario en las células solares es telururo de silicio o cadmio. Tales células son comunes hoy en día. Pero siguen siendo bastante caros y consumen mucha energía para fabricar.
El equipo utilizó su método de aprendizaje automático para evaluar las propiedades de energía solar de una clase de materiales llamados perovskitas de haluro. Durante la última década, muchos investigadores han estudiado las perovskitas por su notable eficiencia para convertir la luz solar en electricidad. También ofrecen la perspectiva de costos y gastos de energía mucho más bajos para la preparación de materiales y el ensamblaje de celdas.
«A diferencia del telururo de silicio o cadmio, las posibles variaciones de haluros combinados con perovskitas son esencialmente ilimitadas», dijo Chan. »Por lo tanto, existe una necesidad urgente de desarrollar un método que pueda reducir los candidatos prometedores a un número manejable. Para este propósito, el aprendizaje automático es una herramienta perfecta».
El equipo entrenó su método con datos de unos cientos de composiciones de haluros de perovskita y luego lo aplicó como caso de prueba a más de 18 000 composiciones. El procedimiento evaluó estas composiciones en cuanto a propiedades clave como la estabilidad, la capacidad de absorber la luz solar, la estructura no se rompe fácilmente debido a defectos y más. Los cálculos concordaron bien con datos relevantes en la literatura científica. Además, los resultados redujeron el número de composiciones que valía la pena investigar más a cerca de 400.
«Nuestra lista de candidatos incluye compuestos que ya se han estudiado, compuestos que nadie ha estudiado nunca e incluso compuestos que no estaban en los 18.000 originales», dijo Chan. «Es por eso que estamos muy felices por eso».
En el siguiente paso, las predicciones se prueban experimentalmente. El escenario ideal sería usar un laboratorio de descubrimiento autónomo como Polybot en el Centro de Materiales a Nanoescala (CNM) de Argonne, una instalación para usuarios de la Oficina de Ciencias del DOE. Polybot combina el poder de la robótica con la IA para avanzar en el descubrimiento científico con poca o ninguna intervención humana.
Mediante el uso de experimentos autónomos para sintetizar, caracterizar y probar lo mejor de sus pocos cientos de candidatos principales, Chan y su equipo creen que también pueden mejorar la metodología actual de aprendizaje automático.
«Realmente estamos en una nueva era de aplicación de IA y computación de alto rendimiento a la investigación de materiales», dijo Chan. «Además de las células solares, nuestra metodología de diseño también podría aplicarse a LED y sensores infrarrojos».
[ad_2]