Las perovskitas son una familia de materiales que actualmente podría ser el principal competidor para cambiar probablemente la energía solar fotovoltaica basada en silicio de hoy. Mantienen la promesa de paneles que serán mucho más delgados y livianos, que se fabricarán con un rendimiento ultra alto a temperatura ambiente en lugar de en muchos niveles, y que serán más baratos y fáciles de mover e instalar. Pero llevar estos suministros de experimentos de laboratorio controlados a un producto que pueda fabricarse de manera competitiva ha sido una batalla prolongada.
La fabricación de células fotovoltaicas basadas en perovskita incluye la optimización directa de al menos una docena de variables, incluso dentro de un método de fabricación específico entre muchas perspectivas. Pero un nuevo sistema basado en un método novedoso para el aprendizaje automático puede acelerar el desarrollo de estrategias de producción optimizadas y ayudar a hacer realidad la próxima generación de energía solar.
El sistema, desarrollado por investigadores del MIT y la Universidad de Stanford durante los últimos años, hace que sea posible combinar la información de experimentos anteriores y la información basada principalmente en observaciones personales de empleados expertos, en el proceso de aprendizaje automático. Esto hace que los resultados sean más precisos y ya ha llevado a la producción de células de perovskita con una eficiencia de conversión de energía de 18,5 por ciento, un nivel agresivo para el mercado actual.
El análisis se informa en la revista. Jouleen un artículo del profesor de ingeniería mecánica del MIT, Tonio Buonassisi, el profesor de ciencia e ingeniería de suministros de Stanford, Reinhold Dauskardt, el actual asistente de análisis del MIT, Zhe Liu, el doctorado de Stanford, Nicholas Rolston, y otros tres.
Las perovskitas son un grupo de compuestos cristalinos en capas delineados por la configuración de los átomos de su red cristalina. Hay millones de tales compuestos alcanzables y muchos métodos alternativos para construirlos. Si bien la mayoría de las mejoras a escala de laboratorio de los suministros de perovskita utilizan un método de recubrimiento por rotación, que no es sensato para la fabricación a gran escala, las empresas y los laboratorios de todo el mundo han estado buscando formas de convertir estos suministros de laboratorio en un producto sensato y fabricable. producto.
“Siempre hay un gran problema cuando intentas tomar un curso a escala de laboratorio y luego cambiarlo a algo como una puesta en marcha o una línea de producción”, dice Rolston, quien ahora es profesor asistente en Arizona State. Colega. La tripulación revisó un curso que, en su opinión, tenía el mejor potencial, una técnica conocida como procesamiento rápido de plasma por pulverización, o RSPP.
El proceso de fabricación incluiría una superficie móvil de rollo a rollo, o una colección de láminas, en las que las opciones precursoras del compuesto de perovskita podrían rociarse o inyectarse con tinta a medida que la lámina pasaba. Luego, la tela pasaría a una etapa de curado, ofreciendo un rendimiento rápido y constante “con rendimientos que podrían ser mejores que los de cualquier otra tecnología fotovoltaica”, dice Rolston.
“El verdadero avance con esta plataforma es que nos permitirá escalar de una manera que ningún otro material nos ha permitido hacer”, agrega. “Incluso los suministros como el silicio requieren un período de tiempo mucho más largo debido al procesamiento que se lleva a cabo. Mientras que usted puede considerar [this approach as more] como pintura en aerosol “.
Dentro de ese proceso, al menos una docena de variables podrían influir en el resultado final, algunas de ellas más controlables que otras. Estos incluyen la composición de los suministros iniciales, la temperatura, la humedad, la velocidad de la ruta de procesamiento, el espacio de la boquilla utilizada para rociar la tela sobre un sustrato y los métodos de curado de la tela. Muchos de esos elementos pueden funcionar juntos, y si el método es al aire libre, entonces la humedad, por ejemplo, también podría estar descontrolada. Evaluar todas las combinaciones posibles de esas variables mediante la experimentación es inimaginable, por lo que se necesitaba el aprendizaje automático para ayudar a informar el proceso experimental.
Sin embargo, mientras que la mayoría de los programas de aprendizaje automático utilizan conocimientos básicos correspondientes a las mediciones de las propiedades eléctricas y diferentes de las muestras de control, a veces no incorporan la experiencia humana correspondiente a las observaciones cualitativas realizadas por los experimentadores de las propiedades visibles y diferentes de las muestras de control. , o datos de diferentes experimentos informados por diferentes investigadores. Entonces, el equipo encontró una forma de incorporar dichos datos externos en el modelo de aprendizaje automático, utilizando un factor de probabilidad basado en un método matemático llamado Optimización Bayesiana.
Usando el sistema, dice, “con un modelo que proviene de la experiencia experimental, podemos descubrir tendencias que no podíamos ver antes”. Por ejemplo, inicialmente tuvieron problemas para adaptarse a las variaciones incontroladas de la humedad de su ambiente. Pero el modelo les confirmó “que podemos superar nuestros problemas de humedad cambiando la temperatura, por ejemplo, y cambiando entre las otras perillas”.
El sistema ahora permite a los experimentadores informarse mucho más rápido de su proceso con el fin de optimizarlo para un conjunto dado de situaciones o resultados requeridos. De sus experimentos, el equipo se centró en optimizar el rendimiento de la instalación, pero el sistema también se usa para incorporar simultáneamente otros estándares, como valor y robustez, algo en lo que los miembros del equipo están trabajando, dice Buonassisi.
Los investigadores se inspiraron en el Departamento de Vitalidad, que patrocinó el trabajo, para comercializar la tecnología, por lo que actualmente se están especializando en el cambio tecnológico a los productores actuales de perovskita. “Nos estamos acercando a las empresas ahora”, dice Buonassisi, y el código que desarrollaron ha sido creado libremente por un servidor de código abierto. “Ahora está en GitHub, cualquiera puede descargarlo, cualquiera puede ejecutarlo”, dice. “Nos complace ayudar a las empresas a comenzar a utilizar nuestro código”.
Varias empresas ya se están preparando para producir paneles fotovoltaicos a base de perovskita, a pesar de que todavía entienden la letra pequeña de los consejos sobre cómo producirlos, dice Liu, que ahora está en la Universidad Politécnica del Noroeste en Xi’. una, China. Él dice que las empresas allí todavía no están haciendo producción a gran escala, pero en lugar de comenzar con aplicaciones más pequeñas y de alto valor, como paneles fotovoltaicos integrados en edificios, el aspecto del lugar es esencial. Tres de esas empresas “están en observación o están siendo presionadas por compradores para fabricar módulos rectangulares de 1 metro por 2 metros [comparable to today’s most common solar panels]dentro de dos años”, dice.
“El problema es que no tienen un consenso sobre qué experiencia de fabricación utilizar”, dice Liu. La técnica RSPP, desarrollada en Stanford, “no obstante, tiene una muy buena probabilidad” de ser agresiva, dice. Y el sistema de aprendizaje automático que desarrolló el equipo puede resultar esencial para orientar la optimización de cualquier proceso que finalmente se utilice.
“El primer objetivo era acelerar el método, por lo que requirió mucho menos tiempo, menos experimentos y menos horas humanas para desarrollar algo que se pudiera usar de inmediato, sin costo, para el comercio”, dice.
El equipo también incluía a Austin Flick y Thomas Colburn en Stanford y Zekun Ren en la Alianza Singapur-MIT para la Ciencia y la Tecnología (SMART). Junto con la División de Vitalidad, el trabajo fue apoyado por una beca de la Iniciativa de Vitalidad del MIT, el Programa de Becas de Análisis para Graduados de la Base Nacional de Ciencias y el programa SMART.