Los algoritmos y la inteligencia artificial están siendo elementos clave para solventar muchos problemas derivados de la crisis climática y ambiental en la que estamos inmersos. Las predicciones, la aceleración de cálculos y la supercomputación adelantan los resultados de multitud de probabilidades para resolver problemas como qué compuestos son efectivos para una vacuna, a qué velocidad se derriten las capas de hielo del planeta o cuál es el impacto de la continuidad de las emisiones en el corto, mediano y largo plazo.
El Centro de Excelencia ARC en tecnologías futuras de electrónica de bajo consumo energético (conocido por sus siglas en inglés como FLEET), es fruto de la colaboración de físicos, ingenieros eléctricos, químicos y científicos de 7 universidades australianas que se dedican al desarrollo de productos que consuman el mínimo de energía para reducir el consumo en el ámbito de las tecnologías de la información.
Un equipo de investigadores de este centro ha desarrollado un exitoso modelo de aprendizaje automático que es capaz de predecir la eficiencia de conversión de energía (PCE) de los materiales con características afines para construir células solares orgánicas. Pero van un poco más allá, ya que con este sistema pueden predecir estos datos también en compuestos virtuales que todavía no se han desarrollado o no existen. Esta última parte es importante y ahorra mucho tiempo y dinero en investigación, ya que evita que se desarrollen sistemas y compuestos que van a resultar probablemente fallidos o poco óptimos para su función.
El nuevo código ha sido publicado para que todos los científicos e investigadores tengan acceso gratuito y su uso es bastante sencillo y rápido en comparación con otros similares. Este sistema publicado en la revista Computational Materials de Nature, utiliza unos procesos de trabajo más sencillos que pueden utilizarse para el diseño de materiales mejorados incluidas células solares más eficientes. Es una gran noticia en un momento en el que la demanda de energía renovable está en exponencial crecimiento.
El modelo de aprendizaje se está utilizando especialmente (aunque cuenta con multitud de usos) en el desarrollo de células solares de próxima generación que tengan la característica de la flexibilidad. Éstas resultan finalmente más económicas, se pueden utilizar métodos de impresión para producirlas en cadena, son más versátiles y adaptables a distintos tipos de espacios y construcciones y a la hora de desecharlas, resultarían más sostenibles y menos costosas.
El nuevo modelo algorítmico contribuye en la clasificación del gran volumen de compuestos químicos con potencial y características inicialmente adecuadas que podrían ser sintetizados para el uso y la fabricación de estas células fotovoltaicas flexibles.
Hasta ahora, los modelos anteriores no proporcionaban la orientación suficiente con los datos obtenidos para que los científicos desarrollaran nuevos dispositivos solares con la certeza de una mayor eficiencia, ya que habitualmente utilizan unos descriptores electrónicos que no son químicamente interpretables, y no permitían que los investigadores obtuvieran ideas claras para crear nuevos materiales en los laboratorios, pero muchos de estos desafíos se están resolviendo con el novedoso sistema.
Ya se están obteniendo resultados concretos y orientativos, relaciones cuánticas entre las firmas moleculares y como éstas se van a aplicar a futuros dispositivos fotovoltaicos orgánicos (OVP).
