L’IA deve collegare l’intero ciclo di ricerca delle celle solari in perovskite

L’intelligenza artificiale sta aiutando i ricercatori a migliorare le celle solari in perovskite, ma i suoi benefici restano in gran parte confinati ai particolari sistemi sui quali i modelli vengono addestrati. Un’analisi pubblicata da nature.com su Nature Reviews Electrical Engineering afferma che i progressi più ampi dipenderanno dal collegamento degli strumenti di IA lungo l’intero ciclo di ricerca, invece che dal ricorso a singole attività di previsione o ottimizzazione.

Le perovskiti ad alogenuri sono interessanti per la tecnologia solare perché le loro caratteristiche ottiche ed elettroniche possono essere modificate, mentre i costi di produzione possono essere contenuti. Tuttavia, trasformare questi vantaggi in applicazioni industriali è difficile. Il comportamento di una cella dipende da diverse scelte collegate tra loro: la composizione del materiale influenza il modo in cui procede la lavorazione, la lavorazione determina la microstruttura risultante e la microstruttura influisce sulle prestazioni del dispositivo.

Poiché questi fattori interagiscono, una soluzione individuata in un sistema di materiali o in un contesto produttivo può non funzionare quando cambiano la composizione, le condizioni di fabbricazione o l’architettura del dispositivo. La sfida, quindi, non consiste semplicemente nel trovare il valore migliore per un singolo parametro. Consiste nel comprendere e gestire una catena di dipendenze che opera attraverso diverse fasi e scale della tecnologia.

Dove l’IA sta già aiutando

L’IA è ora utilizzata in quattro grandi ambiti della ricerca sulle celle solari in perovskite: la scoperta di materiali, la progettazione dei dispositivi, l’ottimizzazione dei processi produttivi e lo studio della stabilità. Nei contesti in cui sono disponibili dati sufficienti, i modelli possono individuare relazioni e rendere più rapida l’ottimizzazione. Ciò può ridurre lo sforzo necessario per esaminare le possibili scelte all’interno di un problema di ricerca definito.

I vantaggi, tuttavia, sono disomogenei. Un modello che funziona bene per una combinazione di materiali e procedure potrebbe non offrire lo stesso valore per un’altra. Né una previsione accurata rivela necessariamente il meccanismo responsabile del risultato osservato. Secondo l’analisi, gli attuali sistemi sono più efficaci nell’individuare correlazioni all’interno di condizioni familiari e ricche di dati che nel produrre conoscenze che rimangano utili per composizioni, architetture o condizioni operative differenti.

Questa lacuna è importante perché le celle solari in perovskite non sono governate da variabili indipendenti. Un cambiamento nella composizione può influenzare la lavorazione; un cambiamento nella lavorazione può alterare la struttura del materiale; e il cambiamento strutturale può influire sulle prestazioni e sull’affidabilità. Un’IA che tratta ogni fase come un’attività separata rischia di perdere informazioni che potrebbero determinare se un miglioramento possa essere trasferito oltre l’esperimento originario.

Quattro ostacoli a un impatto più ampio

L’analisi individua quattro problemi strutturali ricorrenti. Primo, le informazioni rilevanti sono frammentate e i set di dati non sono facilmente interoperabili. I risultati generati nelle diverse parti del processo di ricerca possono quindi essere difficili da combinare, limitando ciò che un modello può apprendere da essi nel loro insieme.

Secondo, i modelli spesso generalizzano poco da un sistema all’altro. Gli schemi appresi da un insieme di composizioni, ambienti di produzione o progetti di dispositivi non si trasferiscono automaticamente a un altro. Ciò limita il valore dell’IA al di fuori delle condizioni rappresentate nei dati di addestramento.

Terzo, molti modelli offrono un’interpretabilità limitata e uno scarso radicamento fisico. Una previsione può essere utile senza spiegare perché sia stata formulata, ma l’assenza di un collegamento chiaro con il comportamento sottostante rende più difficile stabilire se il risultato debba applicarsi in un nuovo contesto. Limita inoltre l’estrazione di conoscenze basate sui meccanismi, che potrebbero guidare il lavoro futuro.

Il quarto problema è una discrepanza tra ciò che viene chiesto all’IA di ottimizzare e i vincoli che determinano la progettazione pratica. Un modello può migliorare un obiettivo selezionato senza tenere conto dei requisiti più ampi di una tecnologia funzionante per celle solari. L’articolo presenta queste difficoltà come caratteristiche interconnesse della struttura della ricerca, non come una prova che algoritmi migliori, da soli, risolveranno il problema.

Dai modelli separati a una pipeline integrata

La risposta proposta consiste nel costruire un’infrastruttura di ricerca che colleghi informazioni e feedback in tutto il settore. Set di dati multimodali e multilivello potrebbero riunire forme di evidenza generate in fasi diverse. Modelli informati dalla fisica e spiegabili potrebbero rendere le previsioni più strettamente correlate al comportamento che intendono rappresentare, rendendo al contempo più facile valutarne il ragionamento.

L’analisi richiama inoltre sistemi a ciclo chiuso nei quali le previsioni dell’IA sono collegate al feedback sperimentale. In una simile pipeline, i risultati degli esperimenti non fornirebbero semplicemente una verifica finale del modello; potrebbero contribuire ad aggiornare il sistema e orientare le scelte successive. Questo assetto consentirebbe di portare avanti le conoscenze invece di lasciarle confinate in un singolo esercizio di ottimizzazione.

Il cambiamento auspicato consiste nel passaggio dalla previsione specifica per un’attività a un’IA a livello di sistema. In questo approccio, le informazioni provenienti dalla scoperta di materiali, dalla progettazione dei dispositivi, dalla lavorazione e dall’analisi della stabilità verrebbero propagate, riviste e riutilizzate continuamente. L’IA diventerebbe parte di un programma integrato per scoprire materiali, migliorare i dispositivi e valutare l’affidabilità.

Per il fotovoltaico in perovskite, l’importanza risiede nella trasferibilità. Un’ottimizzazione più rapida all’interno di un regime ristretto è utile, ma il progresso industriale richiede approcci in grado di gestire decisioni collegate tra composizioni, condizioni di produzione e architetture dei dispositivi. L’analisi di Nature sostiene che questo ruolo più ampio dell’IA dipenderà dalla conservazione delle conoscenze lungo tutto il ciclo di ricerca, non semplicemente dal rendere più accurati i singoli modelli.