L’intelligenza artificiale accelera la scoperta di nuovi materiali fotovoltaici

- EN- DE- FR- IT
Grazie allo sviluppo di una serie di dati precisi che rappresentano le lacune di
Grazie allo sviluppo di una serie di dati precisi che rappresentano le lacune di banda dei materiali perovskitari e all’uso di metodi di apprendimento automatico, sono state identificate diverse perovskiti alogenate promettenti per le applicazioni fotovoltaiche. Credito: H. Wang.

Nell’ambito di un progetto di ricerca dell’EPFL, è stato sviluppato un metodo basato sull’apprendimento automatico per effettuare ricerche rapide e accurate su grandi banche dati, che hanno portato alla scoperta di 14 nuovi materiali per celle fotovoltaiche.

Con l’energia solare che entra a far parte della nostra vita quotidiana, è diventato importante cercare materiali in grado di convertire efficacemente la luce solare in elettricità. Mentre il silicio è stato finora all’avanguardia nella tecnologia solare, si è assistito a un progressivo passaggio a materiali noti come perovskiti, grazie ai loro costi inferiori e ai processi di produzione più semplici.

La sfida, tuttavia, è quella di trovare perovskiti con un adeguato "band gap" - un intervallo di energia specifico che determina l’efficienza di un materiale nell’assorbire la luce solare e convertirla in elettricità senza perdita di calore.

Nell’ambito di un progetto di ricerca dell’EPFL, Haiyuan Wang e Alfredo Pasquarello, in collaborazione con ricercatori di Shanghai e Louvain-La-Neuve, hanno sviluppato un metodo che combina tecniche di calcolo avanzate e apprendimento automatico per cercare i migliori materiali di perovskite per applicazioni fotovoltaiche. Questo approccio potrebbe portare alla produzione di pannelli solari più efficienti e meno costosi, elevando così gli standard dell’industria solare.

I ricercatori hanno iniziato sviluppando un set di dati completo e di alta qualità dei valori di bandgap per 246 materiali di perovskite. Il set di dati è stato creato utilizzando calcoli avanzati basati su funzionali ibridi, un tipo di calcolo sofisticato che include lo scambio di elettroni e migliora la più classica teoria funzionale della densità (DFT). La DFT è un metodo di modellazione quantistica utilizzato per studiare la struttura elettronica di sistemi a molti corpi, come atomi e molecole.

I funzionali ibridi utilizzati erano "dipendenti dal dielettrico", cioè incorporavano nei loro calcoli le proprietà di polarizzazione elettronica del materiale. L’accuratezza delle previsioni del bandgap è stata quindi notevolmente migliorata rispetto alla DFT convenzionale, il che è particolarmente importante per materiali come le perovskiti, in cui l’interazione elettronica e gli effetti di polarizzazione sono essenziali per le proprietà elettroniche.

L’insieme dei dati ottenuti ha fornito una solida base per l’identificazione di materiali perovskitici con proprietà elettroniche ottimali per applicazioni come il fotovoltaico, dove il controllo preciso dei valori di bandgap è essenziale per ottenere la massima efficienza.

Il team ha poi ripetuto i calcoli del band gap per sviluppare un modello di apprendimento automatico addestrandolo sulle 246 perovskiti. Il modello è stato applicato a un database di circa 15.000 materiali candidati per le celle fotovoltaiche, restringendo la ricerca alle perovskiti più promettenti sulla base delle loro lacune di banda e stabilità previste. Il modello ha identificato 14 nuove perovskiti, tutte con band gap e stabilità energetica sufficientemente elevati da renderle ottime candidate per celle fotovoltaiche ad alta efficienza.

Questo lavoro dimostra che l’utilizzo dell’apprendimento automatico per facilitare la scoperta e la validazione di nuovi materiali fotovoltaici può ridurre i costi e accelerare notevolmente l’adozione dell’energia solare. Ciò riduce la nostra dipendenza dai combustibili fossili e contribuisce allo sforzo globale per combattere il cambiamento climatico.

Riferimenti

Haiyuan Wang, Runhai Ouyang, Wei Chen, Alfredo Pasquarello. Dati di alta qualità che consentono l’universalità del descrittore di band gap e la scoperta di nuove perovskiti fotovoltaiche. JACS, 2 maggio 2024. DOI: 10.1021/jacs.4c03507