El MIT trabaja para refinar el flujo de perovskitas prometedoras

Share

La industria solar y la comunidad de investigación ya han invertido una gran cantidad de trabajo en uno o dos materiales perovskitas que han demostrado tener potencial para la generación de energía solar altamente eficiente.

El término perovskita, sin embargo, se refiere a una clase de materiales con una estructura cristalina particular y abarca una enorme cantidad –”virtualmente ilimitada” según el Massachusetts Institute of Technology (MIT)– de posibles combinaciones de materiales.

Buscar a través de ellos para identificar materiales con un fuerte potencial en la fabricación de células solares es, por lo tanto, un proceso lento. La modelación por computadora puede ayudar a reducir el número de candidatos, como demostró el trabajo reciente de la Universidad de California en San Diego, pero para tener una certeza real, los científicos deben pasar por el minucioso proceso de sintetizar y analizar los materiales en el laboratorio.

Los científicos del MIT dicen que han sido capaces de acelerar el proceso por un factor de diez al desarrollar un sistema que permite realizar pruebas paralelas de una amplia variedad de materiales y emplea el aprendizaje mecánico para avanzar. Tonio Buonassisi, profesor de ingeniería mecánica del MIT, afirma que su equipo tiene como objetivo reducir a menos de dos años el tiempo de desarrollo de nuevos materiales de conversión de energía.

Machine learning

Buonassisi explicó que la mayoría de las mejoras en la velocidad provienen del seguimiento y cronometraje de los pasos a seguir y del aumento del número de materiales a probar simultáneamente. “Ahora podemos acceder a una gran variedad de composiciones diferentes utilizando la misma plataforma de materiales”, dijo. “Nos permite explorar una amplia gama de parámetros espaciales.”

La adición de técnicas de Machine learning reduce aún más el tiempo necesario. El equipo utilizó la difracción de rayos X para observar los detalles de la estructura de un material y aplicó Machine learning para clasificar los resultados. Eso, dijo el MIT, redujo el tiempo necesario de 3-5 horas a un poco más de cinco minutos, manteniendo una precisión del 90%.

En el artículo “Accelerated Development of Perovsite Inspired-Materials via High Throughput Synthesis and Machine Learning Diagnosis” publicado en la revista Jouleel equipo describió la aplicación del proceso a 75 formulaciones, lo que llevó al descubrimiento de dos nuevas perovskitas libres de plomo que merecen ser investigadas más a fondo como potenciales materiales de células solares.

Ahora, los investigadores planean hacer un mayor uso de la automatización para seguir aumentando la velocidad de procesamiento para clasificar nuevos materiales. Buonassisi dice que otro de los objetivos de su equipo es lograr precios de la energía solar económicamente sostenibles por debajo de los 0,02 dólares por kWh. “Estamos poniendo todas las piezas experimentales en su lugar para poder explorar más rápido”, añade.