Con l'IA più rapidamente a materiali fotovoltaici migliori

Uno su un milione: L'intelligenza artificiale aiuta i ricercatori nella ricerca di nuovi materiali da utilizzare in celle solari ad alta efficienza. (Foto: Kurt Fuchs/HI ERN)

Le celle solari perovskite sono considerate un'alternativa flessibile e sostenibile alle tradizionali celle solari a base di silicio. Ricercatori dell'Istituto di Tecnologia di Karlsruhe (KIT) fanno parte di un team internazionale che, in poche settimane, ha scoperto nuovi molecole organiche in grado di aumentare l'efficienza delle celle solari perovskite. Il team ha combinato abilmente l'uso dell'IA con la sintesi automatica ad alta produttività. La strategia sviluppata è applicabile ad altri settori della ricerca sui materiali, come la ricerca di nuovi materiali per batterie. I ricercatori riferiscono attualmente su Science (DOI: 10.1126/science.ads0901).

Chi vuole individuare tra un milione di molecole quelle che rendono le celle solari perovskite particolarmente efficienti, deve produrre e testare queste milioni di molecole — oppure seguire l'approccio adottato dai ricercatori intorno al Professore a Tempo Determinato Pascal Friederich dell'Istituto di Nanotecnologia del KIT e dal Professore Christoph Brabec. «Con appena 150 esperimenti mirati, si è potuto ottenere una svolta che altrimenti avrebbe richiesto centinaia di migliaia di test. Il workflow sviluppato apre nuove possibilità per la scoperta rapida ed economica di materiali ad alte prestazioni in vari campi di applicazione», afferma Brabec. Con uno dei materiali scoperti in questo modo, hanno aumentato l'efficienza di una cella solare di riferimento di circa due punti percentuali, fino al 26,2%. «Questo successo dimostra che, con una strategia intelligente, si può risparmiare enormemente tempo e risorse nello sviluppo di nuovi materiali energetici», aggiunge Friederich.

Il punto di partenza presso l'HI ERN è stato un database contenente le formule strutturali di circa un milione di molecole virtuali, tutte ottenibili da sostanze commerciali. Di queste 13.000 molecole virtuali, estratte casualmente, i ricercatori del KIT hanno calcolato con metodi quantomeccanici consolidati livelli energetici, polarità, geometria e altre caratteristiche.

Training dell'IA con dati di solo 101 molecole

Da queste 13.000 molecole, i ricercatori hanno selezionato altre 101, che si differenziavano il più possibile per caratteristiche. Queste sono state prodotte automaticamente presso l'HI ERN con un sistema robotico, e sono state utilizzate per realizzare celle solari praticamente identiche. Successivamente, è stato misurato il loro rendimento. «Per il successo della nostra strategia è stato fondamentale che, grazie alla nostra piattaforma di sintesi altamente automatizzata, abbiamo prodotto campioni realmente comparabili e quindi ottenuto valori affidabili di efficienza», spiega Christoph Brabec, che ha guidato il lavoro presso l'HI ERN.

Con le efficienze ottenute e le caratteristiche delle molecole associate, i ricercatori del KIT hanno addestrato un modello di intelligenza artificiale. Il modello ha poi suggerito altri 48 molecole da sintetizzare, basandosi su due criteri: alta efficienza prevista e proprietà imprevedibili. «Se il modello di machine learning è incerto sulla previsione dell'efficienza, vale la pena produrre la molecola per studiarla più da vicino», spiega Pascal Friederich. «Potrebbe sorprendere con un alto rendimento.»

Infatti, con le molecole suggerite dall'IA si sono realizzate celle solari con efficienza superiore alla media, tra cui alcune che superano i materiali più avanzati attualmente disponibili. «Non possiamo essere certi di aver trovato davvero il meglio tra un milione di molecole, ma siamo sicuramente molto vicini al massimo», afferma Friederich, Professore a Tempo Determinato di Intelligenza Artificiale nei Materiali.

IA contro intuizione chimica

I ricercatori riescono in qualche modo a comprendere le proposte molecolari dell'IA, poiché il sistema indica quali caratteristiche delle molecole virtuali sono state decisive per le sue raccomandazioni. È emerso che le proposte dell'IA si basavano anche su caratteristiche, come la presenza di determinati gruppi chimici, ad esempio ammine, che finora i chimici avevano considerato meno rilevanti.

Christoph Brabec e Pascal Friederich sono convinti che la loro strategia sia promettente anche per la ricerca di materiali in altri ambiti o per l'ottimizzazione di interi dispositivi.

I risultati della ricerca, realizzata in collaborazione con ricercatori dell'Università di Erlangen-Nürnberg, dell'Ulsan National Institute of Science in Corea del Sud, dell'Università di Xiamen in Cina e dell'Università di Scienze e Tecnologia Elettronica di Chengdu, sono stati recentemente pubblicati sulla rinomata rivista «Science» (ffr).

Pubblicazione originale

Jianchang Wu, Luca Torresi, ManMan Hu, Patrick Reiser, Jiyun Zhang, Juan S. Rocha-Ortiz, Luyao Wang, Zhiqiang Xie, Kaicheng Zhang, Byung-wook Park, Anastasia Barabash, Yicheng Zhao, Junsheng Luo, Yunuo Wang, Larry Lür, Lin-Long Deng, Jens A. Hauch, Dirk M. Guldi, M. Eugenia Pérez-Ojeda, Sang Il Seok, Pascal Friederich, Christoph J. Brabec: Inverse design of molecular hole-transporting semiconductors tailored for perovskite solar cells. Science, 2024. DOI 10.1126/science.ads0901.