La IA debe conectar todo el ciclo de investigación de las células solares de perovskita

La inteligencia artificial está ayudando a los investigadores a mejorar las células solares de perovskita, pero sus beneficios siguen limitándose en gran medida a los sistemas concretos con los que se entrenan los modelos. Un análisis publicado en Nature Reviews Electrical Engineering, de nature.com, afirma que un progreso más amplio dependerá de conectar las herramientas de IA a lo largo de todo el ciclo de investigación, en lugar de depender de tareas aisladas de predicción u optimización.

Las perovskitas de haluro resultan atractivas para la tecnología solar porque sus características ópticas y electrónicas pueden ajustarse, mientras que sus costes de fabricación pueden ser bajos. Sin embargo, transformar esas ventajas en una aplicación industrial resulta difícil. El comportamiento de una célula depende de varias decisiones interrelacionadas: la composición del material influye en cómo se desarrolla el procesamiento, el procesamiento determina la microestructura resultante y esa microestructura afecta al rendimiento del dispositivo.

Dado que estos factores interactúan, una solución encontrada en un sistema material o entorno de fabricación puede no funcionar cuando cambian la composición, las condiciones de fabricación o la arquitectura del dispositivo. Por tanto, el desafío no consiste simplemente en encontrar el mejor valor para un parámetro. Consiste en comprender y gestionar una cadena de dependencias que opera en distintas etapas y escalas de la tecnología.

Dónde ya está ayudando la IA

La IA se utiliza ahora en cuatro grandes áreas de la investigación sobre células solares de perovskita: el descubrimiento de materiales, la ingeniería de dispositivos, el perfeccionamiento de los procesos de fabricación y el estudio de la estabilidad. En contextos en los que hay suficientes datos disponibles, los modelos pueden identificar relaciones y acelerar la optimización. Esto puede reducir el esfuerzo necesario para explorar las posibles opciones dentro de un problema de investigación definido.

Sin embargo, los beneficios son desiguales. Un modelo que funciona bien para una combinación de materiales y procedimientos puede no ofrecer el mismo valor para otra. Tampoco una predicción sólida revela necesariamente el mecanismo responsable del resultado observado. Según el análisis, los sistemas actuales son mejores para encontrar correlaciones en condiciones conocidas y con abundancia de datos que para generar conocimientos que sigan siendo útiles en distintas composiciones, arquitecturas o condiciones operativas.

Esa brecha es importante porque las células solares de perovskita no están regidas por variables independientes. Un cambio en la composición puede afectar al procesamiento; un cambio en el procesamiento puede alterar la estructura del material; y el cambio estructural puede influir en el rendimiento y la fiabilidad. La IA que trata cada etapa como una tarea separada corre el riesgo de perder información que podría determinar si una mejora puede transferirse más allá del experimento original.

Cuatro obstáculos para un impacto más amplio

El análisis identifica cuatro problemas estructurales recurrentes. En primer lugar, la información relevante está fragmentada y los conjuntos de datos no son fácilmente interoperables. Por tanto, los resultados generados en distintas partes del proceso de investigación pueden ser difíciles de combinar, lo que limita lo que un modelo puede aprender de ellos conjuntamente.

En segundo lugar, los modelos suelen generalizar mal entre sistemas. Los patrones aprendidos a partir de un conjunto de composiciones, entornos de fabricación o diseños de dispositivos no se trasladan automáticamente a otro. Esto restringe el valor de la IA fuera de las condiciones representadas en sus datos de entrenamiento.

En tercer lugar, muchos modelos ofrecen una interpretabilidad limitada y una débil fundamentación física. Una predicción puede ser útil sin explicar por qué se ha realizado, pero la ausencia de una conexión clara con el comportamiento subyacente dificulta juzgar si el resultado debería aplicarse en un contexto nuevo. También limita la extracción de conocimientos basados en mecanismos que podrían orientar trabajos futuros.

El cuarto problema es el desajuste entre lo que se pide optimizar a la IA y las limitaciones que condicionan el diseño práctico. Un modelo puede mejorar un objetivo seleccionado sin tener en cuenta los requisitos más amplios de una tecnología de células solares funcional. El artículo presenta estas dificultades como características conectadas de la estructura de la investigación, y no como una prueba de que unos algoritmos mejores vayan a resolver por sí solos el problema.

De modelos separados a un flujo de trabajo integrado

La respuesta propuesta consiste en construir una infraestructura de investigación que conecte la información y la retroalimentación en todo el campo. Los conjuntos de datos multimodales y multinivel podrían reunir formas de evidencia generadas en distintas etapas. Los modelos fundamentados en la física y explicables podrían relacionar más estrechamente las predicciones con el comportamiento que pretenden representar y, al mismo tiempo, facilitar la evaluación de su razonamiento.

El análisis también señala sistemas de ciclo cerrado en los que las predicciones de la IA están conectadas con la retroalimentación experimental. En un flujo de trabajo de este tipo, los resultados de los experimentos no servirían únicamente para realizar una prueba final del modelo; también podrían ayudar a actualizar el sistema y orientar las decisiones posteriores. Esta disposición permitiría transmitir los conocimientos en lugar de dejarlos confinados a un único ejercicio de optimización.

El cambio previsto es pasar de la predicción específica para cada tarea a una IA a escala de sistema. Con este enfoque, la información procedente del descubrimiento de materiales, la ingeniería de dispositivos, el procesamiento y el análisis de la estabilidad se propagaría, revisaría y reutilizaría de forma continua. La IA pasaría a formar parte de un programa integrado para descubrir materiales, mejorar dispositivos y evaluar la fiabilidad.

Para la energía fotovoltaica de perovskita, la importancia radica en la transferibilidad. Una optimización más rápida dentro de un régimen estrecho resulta útil, pero el progreso industrial requiere enfoques capaces de afrontar decisiones interrelacionadas sobre composiciones, condiciones de fabricación y arquitecturas de dispositivos. El análisis de Nature sostiene que este papel más amplio de la IA dependerá de conservar los conocimientos a lo largo de todo el ciclo de investigación, y no simplemente de hacer más precisos los modelos individuales.