 |
|
|
Un grupo de científicos del Laboratorio Nacional de Argonne del Departamento de Energía de Estados Unidos (DOE), ha desarrollado un algoritmo que utiliza la Inteligencia Artificial (IA) para seleccionar materiales que puedan utilizarse como absorbentes solares.
Según el DOE, la energía solar podría alimentar el 40% de la electricidad del país en 2035. Los investigadores destacaron que el aprendizaje automático, también conocido como Machine Learning (ML), desempeñará un papel fundamental en conseguir este objetivo.
El aprendizaje automático es una forma de IA, pues utiliza una combinación de grandes conjuntos de datos y algoritmos para imitar el modo en que aprenden los humanos. Aprende a partir del entrenamiento con datos de muestra y experiencias anteriores para hacer mejores predicciones.
Los absorbentes solares son materiales utilizados para convertir esta energía en calor o electricidad. Con un método de aprendizaje automático ahora se puede seleccionar miles de compuestos como absorbentes solares.
Actualmente, el principal absorbente de las células solares es el silicio o el teluro de cadmio. Pero su fabricación sigue siendo bastante cara y requiere mucha energía. Es por eso que los investigadores evalúan las propiedades de la energía solar, a partir de materiales llamados perovskitas de haluro.
En la última década, muchos investigadores han estudiado las perovskitas por su notable eficacia a la hora de convertir la luz solar en electricidad. Los científicos de Argonne entrenaron su método con los datos de unos pocos cientos de composiciones de perovskita de haluro, y luego lo aplicaron a más de 18.000 composiciones como caso de prueba.
El equipo de investigadores planea poner a prueba las predicciones mediante experimentos. El escenario ideal sería utilizar un laboratorio de descubrimiento autónomo, como Polybot en el Centro de Materiales a Nanoescala (CNM) de Argonne, una instalación de usuarios de la Oficina de Ciencia del DOE.
|
