O aprendizado de máquina acelera a descoberta de perovskitas de células solares
Através da geração de um conjunto de dados de intervalos de bandas precisos para materiais de perovskita e do uso de métodos de aprendizado de máquina, várias perovskitas haleto promissoras são identificadas para aplicações fotovoltaicas. Crédito:H. Wang (EPFL) Um projeto de pesquisa da EPFL desenvolveu um método baseado em aprendizado de máquina para pesquisar grandes bancos de dados com rapidez e precisão, levando à descoberta de 14 novos materiais para células solares.
À medida que integramos a energia solar em nossas vidas diárias, tornou-se importante encontrar materiais que convertam eficientemente a luz solar em eletricidade. Embora o silício tenha dominado a tecnologia solar até agora, há também uma tendência constante para materiais conhecidos como perovskitas devido aos seus custos mais baixos e processos de fabricação mais simples.
O desafio, no entanto, tem sido encontrar perovskitas com o “band gap” certo:uma faixa de energia específica que determina a eficiência com que um material pode absorver a luz solar e convertê-la em eletricidade sem perdê-la na forma de calor.
Agora, um projeto de pesquisa da EPFL liderado por Haiyuan Wang e Alfredo Pasquarello, com colaboradores em Xangai e em Louvain-La-Neuve, desenvolveu um método que combina técnicas computacionais avançadas com aprendizado de máquina para procurar materiais de perovskita ideais para aplicações fotovoltaicas. A abordagem poderia levar a painéis solares mais eficientes e mais baratos, transformando os padrões da indústria solar.
O artigo foi publicado no Journal of the American Chemical Society .
Os pesquisadores começaram desenvolvendo um conjunto de dados abrangente e de alta qualidade de valores de band-gap para 246 materiais de perovskita. O conjunto de dados foi construído usando cálculos avançados baseados em funcionais híbridos – um tipo sofisticado de computação que inclui troca de elétrons e melhora a mais convencional Teoria do Funcional da Densidade (DFT). DFT é um método de modelagem mecânica quântica usado para investigar a estrutura eletrônica de sistemas de muitos corpos, como átomos e moléculas.
Os funcionais híbridos utilizados eram “dependentes do dielétrico”, o que significa que incorporaram as propriedades de polarização eletrônica do material em seus cálculos. Isso melhorou significativamente a precisão das previsões do intervalo de bandas em comparação com o DFT padrão, o que é particularmente importante para materiais como perovskitas, onde a interação eletrônica e os efeitos de polarização são cruciais para suas propriedades eletrônicas.
O conjunto de dados resultante forneceu uma base robusta para identificar materiais de perovskita com propriedades eletrônicas ideais para aplicações como energia fotovoltaica, onde o controle preciso sobre os valores de band-gap é essencial para maximizar a eficiência.
A equipe então usou os cálculos de band-gap para desenvolver um modelo de aprendizado de máquina treinado nas 246 perovskitas e aplicou-o a um banco de dados de cerca de 15.000 materiais candidatos para células solares, restringindo a busca às perovskitas mais promissoras com base em sua banda prevista. lacunas e estabilidade. O modelo identificou 14 perovskitas completamente novas, todas com band gaps e estabilidade energética alta o suficiente para torná-las excelentes candidatas para células solares de alta eficiência.
O trabalho mostra que a utilização da aprendizagem automática para agilizar a descoberta e validação de novos materiais fotovoltaicos pode reduzir custos e acelerar enormemente a adopção da energia solar, reduzindo a nossa dependência de combustíveis fósseis e ajudando no esforço global para combater as alterações climáticas.
