Utilizzando esperimenti ad alto rendimento e algoritmi basati sull’apprendimento automatico, i ricercatori dell’University of California e del Davis College of Engineering, hanno scoperto che è possibile prevedere il comportamento dinamico dei materiali con un’accuratezza molto elevata, senza la necessità di eseguire altrettanti esperimenti. Il lavoro è presentato sulla copertina del numero di aprile di ACS Energy Letters. Le perovskiti ibride sono molecole organiche-inorganiche che hanno ricevuto molta attenzione negli ultimi 10 anni per il loro potenziale utilizzo nelle energie rinnovabili, ha detto Marina Leite, professoressa di scienza dei materiali e ingegneria alla UC Davis e autrice del lavoro. Alcuni di essi hanno un’efficienza paragonabile a quella del silicio per la produzione di celle solari, ma sono più economici da produrre e più leggeri, consentendo potenzialmente un’ampia gamma di applicazioni, tra cui i dispositivi di emissione della luce. Una sfida primaria nel campo è che i dispositivi di perovskite tendono a degradarsi molto più facilmente del silicio quando sono esposti a umidità, ossigeno, luce, calore e tensione. Il problema è trovare quali perovskiti combinano prestazioni ad alta efficienza e resistenza alle condizioni ambientali. Le perovskiti hanno una struttura generale di ABX3, dove A è un gruppo organico (a base di carbonio) o inorganico, B è piombo o stagno e X è un alogenuro (a base di cloro, iodio o fluoro o una combinazione). Pertanto, “il numero di combinazioni chimiche possibili è enorme”, ha detto Leite. Inoltre, devono essere valutate rispetto a diverse condizioni ambientali, da sole e in combinazione, il che si traduce in uno spazio di iperparametri che non può essere esplorato con i metodi convenzionali di prova ed errore.
Esperimenti ad alta produttività e apprendimento automatico
Come primo e fondamentale passo verso la soluzione di queste sfide, Leite e le studentesse Meghna Srivastava e Abigail Hering hanno deciso di verificare se gli algoritmi di apprendimento automatico potessero essere efficaci nel testare e prevedere gli effetti dell’umidità sul degrado dei materiali. Srivastava e Hering hanno costruito un sistema automatizzato ad alto rendimento per misurare l’efficienza di fotoluminescenza di cinque diversi film di perovskite in base alle condizioni delle giornate estive a Sacramento. Sono riusciti a raccogliere oltre 7.000 misurazioni in una settimana, accumulando dati sufficienti per ottenere un set di addestramento affidabile. Hanno usato questi dati per addestrare tre diversi algoritmi di apprendimento automatico: un modello di regressione lineare, una rete neurale e un modello statistico chiamato SARIMAX. Hanno confrontato le previsioni dei modelli con i risultati fisici misurati in laboratorio. Il modello SARIMAX ha mostrato le migliori prestazioni, con una corrispondenza del 90% con i risultati osservati durante una finestra di oltre 50 ore. “Questi risultati dimostrano che possiamo utilizzare l’apprendimento automatico per identificare i materiali candidati e le condizioni adatte a prevenire il degrado delle perovskiti”, ha dichiarato Leite. I prossimi passi saranno quelli di espandere gli esperimenti per quantificare le combinazioni di più fattori ambientali. Il film di perovskite in sé è solo una parte di una cella fotovoltaica completa, ha detto Leite. Lo stesso approccio di apprendimento automatico potrebbe essere utilizzato per prevedere il comportamento di un dispositivo completo.