I ricercatori dell'Oak Ridge National Laboratory del Dipartimento dell'Energia e dell'Università del Tennessee stanno automatizzando la ricerca di nuovi materiali per far progredire le tecnologie dell'energia solare.

Un nuovo flusso di lavoro pubblicato su ACS Energy Letters combina robotica e apprendimento automatico per studiare le perovskiti ad alogenuri metallici, o MHP—sottili, leggero, materiali flessibili con proprietà eccezionali per sfruttare la luce che può essere utilizzata per realizzare celle solari, illuminazione e sensori ad alta efficienza energetica.

"Il nostro approccio accelera l'esplorazione dei materiali di perovskite, rendendo esponenzialmente più veloce sintetizzare e caratterizzare molte composizioni materiali contemporaneamente e identificare aree di interesse, ", ha affermato Sergei Kalinin di ORNL.

Lo studio, parte di una collaborazione ORNL-UT Science Alliance, mira a identificare i materiali MHP più stabili per l'integrazione dei dispositivi.

"La sperimentazione automatizzata può aiutarci a tracciare un percorso efficiente nell'esplorazione di quello che è un immenso pool di potenziali composizioni di materiali, ", ha detto Mahshid Ahmadi di UT.

Sebbene gli MHP siano interessanti per la loro elevata efficienza e i bassi costi di fabbricazione, la loro sensibilità all'ambiente ne limita l'uso operativo. Gli esempi del mondo reale tendono a degradarsi troppo rapidamente in condizioni ambientali, come la luce, umidità o calore, essere pratico.

L'enorme potenziale delle perovskiti rappresenta un ostacolo intrinseco alla scoperta dei materiali. Gli scienziati devono affrontare un vasto spazio di progettazione nei loro sforzi per sviluppare modelli più robusti. Sono stati previsti più di mille MHP, e ciascuno di questi può essere modificato chimicamente per generare una libreria quasi illimitata di possibili composizioni.

"È difficile superare questa sfida con i metodi convenzionali di sintesi e caratterizzazione dei campioni uno alla volta, " ha affermato Ahmadi. "Il nostro approccio ci consente di esaminare fino a 96 campioni alla volta per accelerare la scoperta e l'ottimizzazione dei materiali".

Il team ha selezionato quattro sistemi MHP modello, con un totale di 380 composizioni, per dimostrare il nuovo flusso di lavoro per materiali processabili in soluzione, composizioni che iniziano come miscele umide ma da secche a solide.

La fase di sintesi ha impiegato un robot di pipettaggio programmabile progettato per funzionare con micropiastre standard a 96 pozzetti. La macchina consente di risparmiare tempo rispetto all'erogazione manuale di molte composizioni diverse; e riduce al minimo l'errore nella replica di un processo noioso che deve essere eseguito esattamente nelle stesse condizioni ambientali, una variabile difficile da controllare per lunghi periodi.

Prossimo, i ricercatori hanno esposto i campioni all'aria e ne hanno misurato le proprietà fotoluminescenti utilizzando un lettore di lastre ottiche standard.

"È una misurazione semplice ma è lo standard de facto per caratterizzare la stabilità negli MHP, " ha detto Kalinin. "La chiave è che gli approcci convenzionali sarebbero ad alta intensità di lavoro, mentre siamo stati in grado di misurare le proprietà fotoluminescenti di 96 campioni in circa cinque minuti".

La ripetizione del processo per diverse ore ha catturato diagrammi di fase complessi in cui le lunghezze d'onda della luce variano tra le composizioni e si evolvono nel tempo.

Il team ha sviluppato un algoritmo di apprendimento automatico per analizzare i dati e raggiungere le regioni con elevata stabilità.

"L'apprendimento automatico ci consente di ottenere più informazioni da dati sparsi prevedendo le proprietà tra i punti misurati, " ha detto Maxim Ziatdinov di ORNL, che ha guidato lo sviluppo dell'algoritmo. "I risultati guidano la caratterizzazione dei materiali mostrandoci dove guardare dopo".

Mentre lo studio si concentra sulla scoperta dei materiali per identificare le composizioni più stabili, il flusso di lavoro potrebbe anche essere utilizzato per ottimizzare le proprietà dei materiali per specifiche applicazioni optoelettroniche.

Il processo automatizzato può essere applicato a qualsiasi materiale processabile in soluzione per risparmiare tempo e denaro rispetto ai metodi di sintesi tradizionali.

L'articolo della rivista è pubblicato come "La robotica chimica ha consentito l'esplorazione della stabilità nelle perovskiti ad alogenuri di piombo multicomponente tramite l'apprendimento automatico".