A busca mundial de pesquisadores para encontrar o melhor, materiais mais eficientes para os painéis solares de amanhã costumam ser lentos e trabalhosos. Os pesquisadores normalmente devem produzir amostras de laboratório - que geralmente são compostas de várias camadas de diferentes materiais unidos - para testes extensivos.

Agora, uma equipe do MIT e de outras instituições descobriu uma maneira de contornar essa fabricação e testes caros e demorados, permitindo uma rápida triagem de muito mais variações do que seria prático através da abordagem tradicional.

O novo processo pode não só acelerar a busca por novas formulações, mas também fazer um trabalho mais preciso de previsão de seu desempenho, explica Rachel Kurchin, um estudante de pós-graduação do MIT e co-autor de um artigo que descreve o novo processo que aparece esta semana no jornal Joule . Os métodos tradicionais "muitas vezes exigem que você faça uma amostra especializada, mas isso difere de uma célula real e pode não ser totalmente representativo "do desempenho de uma célula solar real, ela diz.

Por exemplo, métodos de teste típicos mostram o comportamento das "operadoras majoritárias, "as partículas predominantes ou vagas cujo movimento produz uma corrente elétrica através de um material. Mas, no caso de materiais fotovoltaicos (PV), Kurchin explica, na verdade, são os portadores minoritários - aqueles que são muito menos abundantes no material - que são o fator limitante na eficiência geral de um dispositivo, e esses são muito mais difíceis de medir. Além disso, os procedimentos típicos medem apenas o fluxo de corrente em um conjunto de direções - dentro do plano de um material de película fina - enquanto é o fluxo de cima para baixo que é realmente aproveitado em uma célula solar em funcionamento. Em muitos materiais, esse fluxo pode ser "drasticamente diferente, "tornando fundamental o entendimento para caracterizar adequadamente o material, ela diz.

"Historicamente, a taxa de desenvolvimento de novos materiais é lenta - normalmente de 10 a 25 anos, "diz Tonio Buonassisi, professor associado de engenharia mecânica no MIT e autor sênior do artigo. "Uma das coisas que tornam o processo lento é o longo tempo que leva para solucionar problemas de dispositivos de protótipo em estágio inicial, ", diz ele." Realizar a caracterização leva tempo - às vezes semanas ou meses - e as medições nem sempre têm a sensibilidade necessária para determinar a causa raiz de quaisquer problemas. "

Então, Buonassisi diz, "o resultado final é, se quisermos acelerar o ritmo de desenvolvimento de novos materiais, é imperativo que descubramos maneiras mais rápidas e precisas de solucionar problemas de nossos materiais de estágio inicial e dispositivos de protótipo. "E é isso que a equipe conseguiu. Eles desenvolveram um conjunto de ferramentas que podem ser usadas para tornar mais precisos, avaliações rápidas dos materiais propostos, usando uma série de testes de laboratório relativamente simples combinados com modelagem por computador das propriedades físicas do próprio material, bem como modelagem adicional baseada em um método estatístico conhecido como inferência Bayesiana.

O sistema envolve fazer um dispositivo de teste simples, em seguida, medindo sua saída de corrente sob diferentes níveis de iluminação e diferentes tensões, para quantificar exatamente como o desempenho varia sob essas condições de mudança. Esses valores são então usados ​​para refinar o modelo estatístico.

"Depois de adquirirmos muitas medições de corrente-tensão [da amostra] em diferentes temperaturas e intensidades de iluminação, precisamos descobrir qual combinação de materiais e variáveis ​​de interface se ajustam melhor ao nosso conjunto de medidas, "Buonassisi explica." Representar cada parâmetro como uma distribuição de probabilidade nos permite levar em conta a incerteza experimental, e também nos permite descobrir quais parâmetros estão variando. "

O processo de inferência Bayesiana permite que as estimativas de cada parâmetro sejam atualizadas com base em cada nova medição, refinando gradualmente as estimativas e chegando cada vez mais perto da resposta precisa, ele diz.

Ao buscar uma combinação de materiais para um determinado tipo de aplicação, Kurchin diz, "colocamos em todas essas propriedades de materiais e propriedades de interface, e ele dirá como será a saída. "

O sistema é simples o suficiente para, mesmo para materiais que foram menos bem caracterizados no laboratório, "ainda somos capazes de executar isso sem uma enorme sobrecarga do computador." E, Kurchin diz, fazer uso de ferramentas computacionais para selecionar materiais possíveis será cada vez mais útil porque "o equipamento de laboratório ficou mais caro, e os computadores ficaram mais baratos. Este método permite minimizar o uso de equipamentos de laboratório complicados. "

A metodologia básica, Buonassisi diz, pode ser aplicado a uma ampla variedade de avaliações de materiais diferentes, não apenas células solares - na verdade, pode se aplicar a qualquer sistema que envolva um modelo de computador para a saída de uma medição experimental. "Por exemplo, esta abordagem se destaca em descobrir qual material ou propriedade de interface pode estar limitando o desempenho, mesmo para pilhas complexas de materiais como baterias, dispositivos termoelétricos, ou compostos usados ​​em tênis ou asas de avião. "E, ele adiciona, "É especialmente útil para pesquisas em estágio inicial, onde muitas coisas podem estar dando errado ao mesmo tempo. "

Daqui para frente, ele diz, "nossa visão é conectar este método de caracterização rápido com os materiais e métodos de síntese de dispositivos mais rápidos que desenvolvemos em nosso laboratório." Em última análise, ele diz, "Estou muito esperançoso com a combinação de computação de alto rendimento, automação, e o aprendizado de máquina nos ajudará a acelerar a taxa de desenvolvimento de novos materiais em mais de cinco vezes. Isso pode ser transformador, reduzindo os prazos para novas descobertas da ciência dos materiais de 20 anos para cerca de três a cinco anos. "