A IA deve ligar todo o ciclo de investigação das células solares de perovskita

A inteligência artificial está a ajudar os investigadores a melhorar as células solares de perovskita, mas os seus benefícios continuam, em grande medida, confinados aos sistemas específicos com os quais os modelos são treinados. Uma análise da Nature Reviews Electrical Engineering, publicada por nature.com, afirma que um progresso mais amplo dependerá da ligação entre ferramentas de IA ao longo de todo o ciclo de investigação, em vez da dependência de tarefas isoladas de previsão ou optimização.

As perovskitas de halogenetos são atractivas para a tecnologia solar porque as suas características ópticas e electrónicas podem ser ajustadas, ao mesmo tempo que os seus custos de fabrico podem ser baixos. No entanto, transformar essas vantagens em aplicações industriais é difícil. O comportamento de uma célula depende de várias escolhas interligadas: a composição do material influencia a forma como o processamento decorre, o processamento molda a microestrutura resultante e essa microestrutura afecta o desempenho do dispositivo.

Como estes factores interagem, uma solução encontrada num sistema de materiais ou contexto de fabrico pode não funcionar quando mudam a composição, as condições de fabrico ou a arquitectura do dispositivo. O desafio, portanto, não consiste simplesmente em encontrar o melhor valor para um parâmetro. Consiste em compreender e gerir uma cadeia de dependências que funciona ao longo de diferentes fases e escalas da tecnologia.

Onde a IA já está a ajudar

A IA é actualmente utilizada em quatro grandes áreas da investigação sobre células solares de perovskita: descoberta de materiais, engenharia de dispositivos, aperfeiçoamento dos processos de fabrico e estudo da estabilidade. Em contextos onde existem dados suficientes, os modelos podem identificar relações e tornar a optimização mais rápida. Isto pode reduzir o esforço necessário para analisar as possíveis escolhas no âmbito de um problema de investigação definido.

Os ganhos, contudo, são desiguais. Um modelo que tem um bom desempenho para uma combinação de materiais e procedimentos pode não oferecer o mesmo valor para outra. Nem uma previsão sólida revela necessariamente o mecanismo responsável pelo resultado observado. De acordo com a análise, os sistemas actuais são melhores a encontrar correlações em condições familiares e ricas em dados do que a produzir conhecimentos que continuem a ser úteis em diferentes composições, arquitecturas ou condições de funcionamento.

Essa lacuna é importante porque as células solares de perovskita não são regidas por variáveis independentes. Uma alteração na composição pode afectar o processamento; uma alteração no processamento pode modificar a estrutura do material; e a mudança estrutural pode influenciar o desempenho e a fiabilidade. A IA que trata cada fase como uma tarefa separada corre o risco de perder informação que poderia determinar se uma melhoria é transferível para além da experiência original.

Quatro obstáculos a um impacto mais amplo

A análise identifica quatro problemas estruturais recorrentes. Em primeiro lugar, a informação relevante está fragmentada e os conjuntos de dados não são facilmente interoperáveis. Os resultados gerados em diferentes partes do processo de investigação podem, por isso, ser difíceis de combinar, limitando aquilo que um modelo pode aprender a partir deles em conjunto.

Em segundo lugar, os modelos generalizam frequentemente mal entre sistemas. Os padrões aprendidos a partir de um conjunto de composições, ambientes de fabrico ou designs de dispositivos não transitam automaticamente para outro. Isto restringe o valor da IA fora das condições representadas nos seus dados de treino.

Em terceiro lugar, muitos modelos oferecem uma interpretabilidade limitada e uma fundamentação física débil. Uma previsão pode ser útil sem explicar por que razão foi feita, mas a ausência de uma ligação clara ao comportamento subjacente torna mais difícil avaliar se o resultado deverá aplicar-se num novo contexto. Também limita a extracção de conhecimentos baseados em mecanismos que poderiam orientar trabalhos futuros.

O quarto problema é um desfasamento entre aquilo que se pede à IA para optimizar e as restrições que moldam o design prático. Um modelo pode melhorar um objectivo seleccionado sem ter em conta os requisitos mais amplos de uma tecnologia de células solares funcional. O artigo apresenta estas dificuldades como características interligadas da estrutura da investigação, e não como prova de que algoritmos melhores, por si só, resolverão o problema.

De modelos separados a um sistema integrado

A resposta proposta consiste em criar infra-estruturas de investigação que liguem informação e feedback em todo o sector. Conjuntos de dados multimodais e multiníveis poderiam reunir formas de evidência geradas em diferentes fases. Modelos baseados na física e explicáveis poderiam tornar as previsões mais estreitamente relacionadas com o comportamento que pretendem representar, ao mesmo tempo que facilitariam a avaliação do seu raciocínio.

A análise aponta também para sistemas de ciclo fechado nos quais as previsões da IA estão ligadas ao feedback experimental. Num sistema deste tipo, os resultados das experiências não serviriam apenas para testar um modelo no final; poderiam ajudar a actualizar o sistema e a orientar escolhas subsequentes. Esse mecanismo permitiria transferir o conhecimento, em vez de o deixar confinado a um único exercício de optimização.

A mudança pretendida é passar da previsão específica para cada tarefa para uma IA ao nível do sistema. Nessa abordagem, a informação proveniente da descoberta de materiais, da engenharia de dispositivos, do processamento e da análise da estabilidade seria continuamente transmitida, revista e reutilizada. A IA passaria a fazer parte de um programa integrado para descobrir materiais, melhorar dispositivos e avaliar a fiabilidade.

No caso da energia fotovoltaica de perovskita, a importância reside na transferibilidade. Uma optimização mais rápida num regime restrito é útil, mas o progresso industrial exige abordagens capazes de lidar com decisões interligadas entre composições, condições de fabrico e arquitecturas de dispositivos. A análise da Nature defende que este papel mais amplo da IA dependerá da preservação do conhecimento ao longo de todo o ciclo de investigação, e não apenas de tornar os modelos individuais mais precisos.