L'approccio utilizzato dai ricercatori rappresenta una svolta significativa nello sviluppo di celle solari più efficienti. Tradizionalmente, i materiali trasportatori di lacune venivano scoperti attraverso sperimentazioni su strutture esistenti, senza una comprensione approfondita dei meccanismi di funzionamento. Il nuovo metodo basato sul machine learning ha invece permesso di esplorare in modo sistematico un vasto spazio di possibili candidati.
Il processo di scoperta guidato dall'intelligenza artificiale
Il team ha addestrato un algoritmo di apprendimento automatico utilizzando un dataset di 101 molecole selezionate da oltre un milione di candidati. Sono state realizzate celle solari di prova con materiali sintetizzati, i cui risultati sono stati utilizzati per addestrare l'intelligenza artificiale. L'algoritmo ha quindi proposto i 24 candidati più promettenti.
Questi materiali sono stati sintetizzati e testati in celle solari funzionanti. Dopo diverse iterazioni, i ricercatori hanno identificato un materiale trasportatore di lacune in grado di produrre celle solari al perovskite con efficienze fino al 26,2%.
Potenziale per ulteriori miglioramenti
Il processo ha generato diversi materiali con prestazioni simili al candidato migliore, suggerendo che questo approccio potrebbe portare alla scoperta di altri composti in grado di spingere l'efficienza ancora più in alto. La dott.ssa Jianchang Wu, autrice principale dello studio, ha commentato: "Il nostro metodo di inverse design guidato dal machine learning apre nuove possibilità per l'ottimizzazione mirata dei materiali per le celle solari di nuova generazione".
Questa ricerca dimostra il potenziale dell'intelligenza artificiale nell'accelerare lo sviluppo di tecnologie energetiche pulite. L'approccio potrebbe essere esteso ad altri componenti delle celle solari o ad altri tipi di dispositivi, portando a progressi significativi nel campo dell'energia rinnovabile.
Impatto sul futuro del fotovoltaico
Le celle solari al perovskite sono considerate una delle tecnologie fotovoltaiche più promettenti per il futuro, grazie alla loro potenziale alta efficienza e ai bassi costi di produzione. Il miglioramento delle prestazioni ottenuto attraverso questo studio potrebbe avvicinare ulteriormente queste celle alla commercializzazione su larga scala.
Il prof. Michael Grätzel, esperto di fotovoltaico non coinvolto nello studio, ha osservato: "Questo lavoro rappresenta un importante passo avanti verso celle solari al perovskite sempre più efficienti e stabili. L'uso del machine learning per guidare la scoperta di nuovi materiali potrebbe accelerare notevolmente i progressi in questo campo".
La combinazione di tecniche computazionali avanzate e sintesi chimica mirata si sta rivelando un potente strumento per l'innovazione nel settore delle energie rinnovabili. Con l'ulteriore raffinamento di questi metodi, è possibile che nei prossimi anni si possano raggiungere nuovi record di efficienza, rendendo le celle solari al perovskite una valida alternativa alle tecnologie fotovoltaiche attualmente sul mercato.