Orientación hacia células solares de perovskita de mayor duración

Los materiales llamados perovskitas se anuncian ampliamente como un posible reemplazo del silicio como material de elección para las células solares, pero su mayor inconveniente es su tendencia a degradarse con relativa rapidez. En los últimos años, la vida útil de las células basadas en perovskita ha mejorado gradualmente de minutos a meses, pero todavía está muy por detrás de las décadas que se esperaban del silicio, el material que se utiliza actualmente para prácticamente todos los paneles solares comerciales.

Ahora, un equipo interdisciplinario internacional dirigido por MIT ha ideado un nuevo enfoque para reducir la búsqueda de los mejores candidatos para formulaciones de perovskita de larga duración, entre una gran cantidad de combinaciones potenciales. Su sistema ya se ha concentrado en una composición que en el laboratorio ha mejorado en más de diez veces las versiones existentes. Incluso en condiciones del mundo real a nivel de célula solar completa, más allá de una pequeña muestra en un laboratorio, este tipo de perovskita se ha desempeñado tres veces mejor que las formulaciones de última generación.

Los hallazgos aparecen en la revista. Importar, en un artículo del postdoctorado del MIT Shijing Sun, los profesores del MIT, Moungi Bawendi, John Fisher y Tonio Buonassisi, quien también es investigador principal de la Alianza Singapur-MIT para la Investigación y la Tecnología (SMART), y otros 16 del MIT, Alemania , Singapur, Colorado y Nueva York.

Las perovskitas son una amplia clase de materiales caracterizados por la forma en que los átomos están dispuestos en su red cristalina estratificada. Estas capas, descritas por convención como A, B y X, pueden constar cada una de una variedad de átomos o compuestos diferentes. Por lo tanto, buscar en todo el universo de tales combinaciones para encontrar los mejores candidatos para alcanzar objetivos específicos 攍 ongevidad, eficiencia, capacidad de fabricación y disponibilidad de materiales de origen es un proceso lento y laborioso, y en gran parte sin ningún mapa que sirva de guía.

“Si se consideran solo tres elementos, los más comunes en las perovskitas que las personas suben y bajan están en el sitio A de la estructura cristalina de perovskita”, que pueden variarse fácilmente cada uno en incrementos del 1 por ciento en su composición relativa, Buonassisi dice. “El número de pasos se vuelve simplemente absurdo. Se vuelve muy, muy grande” y, por lo tanto, no es práctico buscar sistemáticamente. Cada paso implica el complejo proceso de síntesis de crear un nuevo material y luego probar su degradación, que incluso en condiciones de envejecimiento acelerado es un proceso que requiere mucho tiempo.

La clave del éxito del equipo es lo que describen como un enfoque de fusión de datos. Este método iterativo usa un sistema automatizado para guiar la producción y prueba de una variedad de formulaciones, luego usa el aprendizaje automático para revisar los resultados de esas pruebas, combinado nuevamente con el modelado físico de los primeros principios, para guiar la siguiente ronda de experimentos. El sistema sigue repitiendo ese proceso, refinando los resultados cada vez.

A Buonassisi le gusta comparar el vasto reino de posibles composiciones con un océano, y dice que la mayoría de los investigadores se han mantenido muy cerca de las orillas de formulaciones conocidas que han logrado altas eficiencias, por ejemplo, jugando solo un poco con esas configuraciones atómicas. Sin embargo, “de vez en cuando, alguien comete un error o tiene un toque de genialidad y se aparta de eso y aterriza en otro lugar del espacio de composición, y bueno, ¡funciona mejor! Un poco de serendipia feliz, y luego todos se mudan allí”. en su investigación. “Pero no suele ser un proceso de pensamiento estructurado”.

Este nuevo enfoque, dice, proporciona una forma de explorar áreas lejanas en alta mar en busca de mejores propiedades, de una manera más sistemática y eficiente. En su trabajo hasta ahora, al sintetizar y probar menos del 2 por ciento de las posibles combinaciones entre tres componentes, los investigadores pudieron concentrarse en lo que parece ser la formulación más duradera de un material de célula solar de perovskita encontrado hasta la fecha.

“Esta historia trata realmente sobre la fusión de todos los diferentes conjuntos de herramientas” que se utilizaron para encontrar la nueva formulación, dice Sun, quien coordinó el equipo internacional que llevó a cabo el trabajo, incluido el desarrollo de un sistema de prueba de degradación automatizado de alto rendimiento que monitorea la descomposición del material a través de sus cambios de color a medida que se oscurece. Para confirmar los resultados, el equipo fue más allá de hacer un pequeño chip en el laboratorio e incorporó el material en una celda solar en funcionamiento.

“Otro punto de este trabajo es que realmente lo demostramos, desde la selección química hasta que finalmente hacemos una célula solar”, dice. “Y nos dice que la sustancia química sugerida por el aprendizaje automático no solo es estable en su propia forma independiente. También pueden traducirse en células solares de la vida real y conducen a una mayor confiabilidad”. Algunas de sus demostraciones a escala de laboratorio lograron una longevidad hasta 17 veces mayor que la fórmula de referencia con la que comenzaron, pero incluso la demostración de celda completa, que incluye las interconexiones necesarias, superó los materiales existentes en más de tres veces, dice ella.

Buonassisi dice que el método que desarrolló el equipo también podría aplicarse a otras áreas de investigación de materiales que involucren rangos igualmente amplios de elección en la composición. “Realmente abre la puerta a un modo de investigación en el que se pueden realizar estos ciclos breves y rápidos de innovación, tal vez en un subcomponente o en un nivel de material. Y luego, una vez que se concentra en la composición correcta, se convierte en un bucle más largo que implica la fabricación de dispositivos, y lo prueba “en el siguiente nivel.

“Es una de las grandes promesas del campo poder hacer este tipo de trabajo”, dice. “Ver que realmente sucediera fue uno de esos [highly memorable] momentos. Recuerdo el lugar exacto en el que estaba cuando recibí la llamada de Shijing sobre estos resultados, cuando empiezas a ver cómo estas ideas cobran vida. Fue realmente impresionante “.

“¿Qué es particularmente emocionante sobre [this] avance es que los autores utilizan la física para guiar la intuición de la [optimization] proceso, en lugar de limitar el espacio de búsqueda con restricciones estrictas “, dice el profesor de la Universidad Edward Sargent de la Universidad de Toronto, un especialista en nanotecnología que no estaba relacionado con esta investigación.” Este enfoque verá una explotación generalizada a medida que el aprendizaje automático continúe avanzando hacia resolución de problemas reales en ciencia de materiales “.