Le celle solari giocheranno un ruolo chiave nel passaggio a un'economia rinnovabile. Il fotovoltaico organico (OPV) è una promettente classe di celle solari, basato su una molecola organica che assorbe la luce combinata con un polimero semiconduttore.

Gli OPV sono realizzati con materiali economici, materiali leggeri, e beneficiare di una buona sicurezza e di una facile produzione. Però, le loro efficienze di conversione della potenza (PCE) – la capacità di convertire la luce in elettricità – sono ancora troppo basse per la commercializzazione su vasta scala.

Il PCE dipende sia dallo strato organico che da quello polimerico. Tradizionalmente, i chimici hanno sperimentato diverse combinazioni di questi per tentativi ed errori, portando a un sacco di tempo e fatica sprecati.

Ora, un team di ricercatori dell'Università di Osaka ha utilizzato la potenza del computer per automatizzare la ricerca di materiali solari ben abbinati. Nel futuro, questo potrebbe portare a dispositivi molto più efficienti. Lo studio è stato riportato in Journal of Physical Chemistry Letters .

"La scelta del polimero influisce su diverse proprietà, come la corrente di cortocircuito, che determinano direttamente il PCE, ", spiega il primo autore dello studio Shinji Nagasawa. "Tuttavia, non esiste un modo semplice per progettare polimeri con proprietà migliorate. La conoscenza chimica tradizionale non è sufficiente. Anziché, abbiamo usato l'intelligenza artificiale per guidare il processo di progettazione."

L'informatica può dare un senso a grandi, set di dati complessi rilevando tendenze statistiche che sfuggono agli esperti umani. Il team ha raccolto dati su 1, 200 OPV da circa 500 studi. Utilizzando l'apprendimento automatico della foresta casuale, hanno costruito un modello che combina il band gap, peso molecolare, e struttura chimica di questi precedenti OPV, insieme al loro PCE, prevedere l'efficienza di potenziali nuovi dispositivi.

Random Forest ha scoperto una migliore correlazione tra le proprietà dei materiali e le loro prestazioni effettive negli OPV. Per sfruttare questo, il modello è stato utilizzato per "schermare" automaticamente i potenziali polimeri per la loro PCE teorica. L'elenco dei migliori candidati è stato quindi ridotto sulla base dell'intuizione chimica su ciò che può essere sintetizzato nella pratica.

Questa strategia ha portato il team a creare un nuovo, polimero precedentemente non testato. In caso, un pratico OPV basato su questo primo tentativo si è rivelato meno efficiente del previsto. Però, il modello ha fornito utili spunti sulla relazione struttura-proprietà. Le sue previsioni potrebbero essere migliorate includendo più dati, come la solubilità dei polimeri in acqua, o la regolarità della loro spina dorsale.

"Il machine learning potrebbe accelerare enormemente lo sviluppo delle celle solari, poiché prevede istantaneamente risultati che richiederebbero mesi in laboratorio, ", afferma il coautore Akinori Saeki. "Non è un semplice sostituto del fattore umano, ma potrebbe fornire un supporto cruciale quando i progettisti molecolari devono scegliere quali percorsi esplorare".