Nova plataforma de Inteligência Artificial permite desenvolver células solares orgânicas mais baratas e eficientes
A próxima geração de células solares será mais barata e mais eficiente, pelo menos esse é o objetivo de uma equipa de investigadores australianos, que desenvolveu uma plataforma de Inteligência Artificial (IA) que permite descobrir novos materiais para substituir os que já não existem e assim evitar uma crise climática.
Células solares orgânicas mais baratas e eficientes
Os investigadores do CAR – Centre of Excellence in Exciton Science de Melbourne, demonstrou com êxito um novo tipo de modelo de aprendizagem automático capaz de predizer a eficiência de conversão de energia de novos materiais, incluindo aqueles que são usados em células solares orgânicas (OPV) de próxima geração!
O modelo, desenvolvido em parceria pelas universidades de RMIT e MONASH, permite modelar “materiais virtuais” que já não existem, acelerando assim o processo para o desenvolvimento de células solares mais baratas e de maior rendimento.
A investigação publicada na revista Computational Materials, mostra que a nova plataforma de IA é bem mais rápida que outros programas de aprendizagem automática, sendo que o seu código fonte foi disponibilizado gratuitamente para que outros investigadores o possam usar.
Os investigadores crêem que o novo modelo pode ajudar a acelerar o desenvolvimento de células solares orgânicas económicas e eficientes, vistas como uma alternativa mais barata às células solares tradicionais de silício, mas que ainda não se conseguiram implantar a larga escala no mercado comercial.
São vários os materiais com potencial que podem ser aplicados às células solares orgânicas, e a identificação desses materiais ideais tem sido o foco de grande parte das investigações em curso no mercado da energia solar!
A aplicação de algoritmos de inteligência artificial tem o potencial de acelerar a avaliação de materiais prospetivos, bem como materiais que ainda não tenham sido criados, modelando assim versões virtuais desses materiais com recurso à IA de computadores!
Os investigadores dizem que o uso de IA também permite ter resultados potencialmente mais consistentes que os desenvolvidos em experiências laboratoriais com materiais prospetivos, o que permitirá bases mais consistentes para comparação.
Segundo a publicação, o objetivo passa por demonstrar que os descritivos moleculares simples e interpretáveis e os métodos de aprendizagem automáticos possam simular e predizer propriedades fotovoltaicas orgânicas.
Os resultados foram publicados na revista Nature Computational Materials.
Sendo a simulação de propriedades ideal, ainda existem muitas variáveis a ter em conta que podem afetar as métricas de desempenho das células solares orgânicas, como o design do dispositivo, condições de processamento, dopantes, corantes, solventes e outros aditivos.
Assim, as propriedades fotovoltaicas orgânicas podem variar de experiências em experiência e respetivamente de laboratório em laboratório!
Os algoritmos de aprendizagem automático anteriores eram computacionalmente intensos e custosos, envolvendo cálculos a nível quântico, o que diminuía a velocidade a que novos materiais eram avaliados e exigiam uma grande quantidade de recursos computacionais.
Ora, os investigadores do ARC desenvolveram assim um novo modelo que recorre a “descritores de assinatura quimicamente interpretável” dos materiais que analisam, reduzindo assim a quantidade de recursos computacionais necessários, ao mesmo tempo que garante informação suficiente sobre o comportamento dos materiais em aplicações como células solares.
A maior parte dos outros modelos usam descritores eletrónicos que são complicados e computacionalmente mais dispendiosos, não sendo quimicamente interpretáveis! O que significa que o investigador não consegue tirar ideias desses modelos para desenvolver e sintetizar materiais em laboratório.
O modelo da investigadora principal, Nastaran Meftahi, defende assim que o seu modelo é mais simples, quimicamente mais interpretável e assim podem ser vistos fragmentos mais importantes.
O modelo foi desenvolvido através de parcerias com outras instituições de investigação australianas como a Data 61 de CSIRO, a Universidade de Monash, a Universidade de La Trobe e a Universidade de Nottingham do Reino Unido
