O sol transmite continuamente trilhões de watts de energia para a Terra. Será assim por mais bilhões de anos. No entanto, apenas começamos a explorar essa fonte abundante e renovável de energia a um custo acessível.
Os absorvedores solares são um material usado para converter essa energia em calor ou eletricidade. Maria Chan, cientista do Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE), desenvolveu um método de aprendizado de máquina para rastrear milhares de compostos como absorvedores de energia solar. Seu co-autor neste projeto foi Arun Mannodi-Kanakkithodi, um ex-pós-doc em Argonne que agora é professor assistente na Universidade de Purdue.

"De acordo com um estudo recente do DOE, até 2035, a energia solar poderá fornecer 40% da eletricidade do país", disse Chan. "E pode ajudar a descarbonizar a rede e fornecer muitos novos empregos".

Chan e Mannodi-Kanakkithodi estão apostando que o aprendizado de máquina desempenhará um papel vital na realização desse objetivo elevado. Uma forma de inteligência artificial (IA), o aprendizado de máquina usa uma combinação de grandes conjuntos de dados e algoritmos para imitar a maneira como os humanos aprendem. Ele aprende com o treinamento com dados de amostra e experiência anterior para fazer previsões cada vez melhores.

Nos dias de Thomas Edison, os cientistas descobriram novos materiais pelo laborioso processo de tentativa e erro com muitos candidatos diferentes até que um funcionasse. Ao longo das últimas décadas, eles também se basearam em cálculos trabalhosos, exigindo até mil horas para prever as propriedades de um material. Agora, eles podem encurtar os dois processos de descoberta usando o aprendizado de máquina.

Atualmente, o absorvedor primário em células solares é silício ou telureto de cádmio. Essas células são agora comuns. Mas eles permanecem bastante caros e consomem muita energia para fabricar.

A equipe usou seu método de aprendizado de máquina para avaliar as propriedades de energia solar de uma classe de material chamada perovskitas de haleto. Ao longo da última década, muitos pesquisadores estudaram as perovskitas devido à sua notável eficiência na conversão da luz solar em eletricidade. Eles também oferecem a perspectiva de custos e energia muito mais baixos para preparação de materiais e construção de células.

"Ao contrário de silício ou telureto de cádmio, as possíveis variações de haletos combinados com perovskitas são essencialmente ilimitadas", disse Chan. "Há, portanto, uma necessidade urgente de desenvolver um método que possa reduzir os candidatos promissores a um número gerenciável. Para esse fim, o aprendizado de máquina é uma ferramenta perfeita".

A equipe treinou seu método com dados para algumas centenas de composições de haleto perovskita e, em seguida, aplicou-o a mais de 18.000 composições como um caso de teste. O método avaliou essas composições para propriedades-chave, como estabilidade, capacidade de absorver a luz solar, estrutura que não quebra facilmente devido a defeitos e muito mais. Os cálculos concordaram bem com dados relevantes na literatura científica. Além disso, as descobertas reduziram o número de composições dignas de estudo adicional para cerca de 400.

"Nossa lista de candidatos tem compostos que já foram estudados, compostos que ninguém jamais estudou e até compostos que não estavam entre os 18.000 originais", disse Chan. "Então, estamos muito animados com isso."

O próximo passo será testar as previsões usando experimentos. O cenário ideal seria usar um laboratório de descoberta autônomo, como o Polybot no Centro de Materiais de Nanoescala (CNM) de Argonne, uma instalação do usuário do DOE Office of Science. O Polybot reúne o poder da robótica com a IA para impulsionar a descoberta científica com pouca ou nenhuma intervenção humana.

Ao usar a experimentação autônoma para sintetizar, caracterizar e testar o melhor de suas poucas centenas de candidatos principais, Chan e sua equipe antecipam que também podem melhorar o método atual de aprendizado de máquina.

"Estamos realmente em uma nova era de aplicação de IA e computação de alto desempenho à descoberta de materiais", disse Chan. "Além das células solares, nossa metodologia de projeto pode ser aplicada a LEDs e sensores infravermelhos."

Esta pesquisa é relatada em um artigo em Energy &Environmental Science . + Explorar mais

Descobrindo os padrões da natureza em escala atômica em cores vivas