por [ad_1]
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 unos minutos a varios 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 el MIT ha desarrollado un nuevo enfoque para limitar 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 centrado en una composición que, en el laboratorio, tiene más de diez veces las versiones existentes. Incluso en condiciones del mundo real a nivel de células solares, más allá de una pequeña muestra en un laboratorio, este tipo de perovskita funcionó tres veces mejor que las formulaciones avanzadas.
Los resultados aparecen en la revista Materia, en un artículo del becario postdoctoral 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. Cada una de estas capas, descritas por convención como A, B y X, puede estar formada por una variedad de átomos o compuestos diferentes. Por lo tanto, buscar en todo el universo tales combinaciones para encontrar los mejores candidatos para lograr objetivos específicos (longevidad, eficiencia, capacidad de fabricación y disponibilidad de materiales base) es un proceso lento y laborioso, y en gran parte sin ningún tipo de orientación cartográfica.
"Si se consideran sólo tres elementos, los más comunes en las perovskitas por los que las personas entran y salen son en el sitio A de la estructura cristalina de la perovskita", cada uno de los cuales puede variar fácilmente en incrementos del 1% en su composición relativa, dijo Buonassisi. "La cantidad de pasos simplemente se vuelve absurda. Se vuelve muy, muy grande ”y, por lo tanto, no es práctico buscar sistemáticamente. Cada paso implica el complejo proceso sintético de crear un nuevo material y luego probar su degradación, que incluso en condiciones de envejecimiento acelerado lleva mucho tiempo.
La clave del éxito del equipo radica en 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, y luego usa el aprendizaje automático para revisar los resultados de esas pruebas, combinado nuevamente con el modelado físico de los principios anteriores, para guiar el siguiente conjunto de experimentos. El sistema repite este proceso, refinando los resultados cada vez.
A Buonassisi le gusta comparar el vasto campo 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 altos rendimientos, por ejemplo, jugando ligeramente con estas configuraciones atómicas. Sin embargo, "de vez en cuando alguien comete un error o tiene un golpe de genialidad y se aleja de él y aterriza en algún otro lugar del espacio de composición, y bueno, ¡funciona mejor!" Una feliz coincidencia, entonces todos se mueven allí "en su investigación. "Pero no suele ser un proceso de pensamiento estructurado".
Este nuevo enfoque, dice, ofrece una forma de explorar áreas costa afuera en busca de mejores propiedades, de una manera más sistemática y eficiente. En su trabajo hasta ahora, al sintetizar y probar menos del 2% de las posibles combinaciones de tres componentes, los investigadores han podido centrarse en lo que parece ser la formulación más duradera de un material celular, la perovskita solar encontrada hasta la fecha.
"Esta historia realmente trata 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 hizo el trabajo, incluido el desarrollo de; un sistema automatizado de pruebas de degradación 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 fabricar 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 hacemos una célula solar al final", dice. "Y eso nos dice que la sustancia química sugerida por el aprendizaje automático no solo es estable en su propia forma autónoma". También se pueden traducir en células solares reales y mejoran la fiabilidad. Algunas de sus demostraciones a escala de laboratorio han logrado una longevidad de hasta 17 veces la fórmula básica con la que comenzaron, pero incluso la demostración de celda completa, que incluye las interconexiones necesarias, ha sobrevivido a los materiales existentes más de tres veces, dice ella.
Buonassisi dice que el método desarrollado por el equipo también podría aplicarse a otras áreas de investigación de materiales que involucren rangos similares de opciones de composición. “Realmente abre la puerta a un modo de investigación en el que puede tener esos ciclos cortos y rápidos de innovación, tal vez a nivel de subcomponente o material. Y luego, una vez que te enfocas en la composición correcta, la pones en un ciclo más largo que involucra la elaboración de dispositivos y la pruebas 'al siguiente nivel.
“Es una de las grandes promesas del campo poder hacer este tipo de trabajo”, dice. “Verlo realmente suceder fue uno de esos momentos (sumamente memorables). Recuerdo el lugar exacto en el que estaba cuando recibí la llamada de Shijing sobre estos resultados, cuando empiezas a ver que estas ideas cobran vida. Fue realmente hermoso.
"Lo que es especialmente emocionante de (este) avance es que los autores están utilizando la física para guiar la intuición del proceso (de optimización), en lugar de limitar el proceso. Espacio de investigación con restricciones estrictas", dice el profesor universitario Edward Sargent de la Universidad de Toronto. , un estudioso de la nanotecnología que no estaba relacionado con esta investigación. "Este enfoque verá una explotación generalizada a medida que el aprendizaje automático continúe evolucionando hacia la resolución de problemas del mundo real en la ciencia de los materiales".
El equipo incluyó a investigadores del MIT, Helmholz Intitute en Alemania, Colorado School of Mines, Brookhaven National Laboratory en Nueva York, la Alianza Singapur-MIT para Investigación y Tecnología, y el Instituto de Materiales para Tecnología Electrónica y Energética en Erlangen, Alemania. . El trabajo fue apoyado por DARPA, Total SA, la National Science Foundation y el programa Skoltech NGP.
[ad_2]
