Man mano che integriamo l’energia solare nella nostra vita quotidiana, è diventato importante trovare materiali che convertano in modo efficiente la luce solare in elettricità. Sebbene finora il silicio abbia dominato la tecnologia solare, si registra anche una tendenza costante verso materiali noti come perovskiti a causa dei costi inferiori e dei processi di produzione più semplici.

La sfida, tuttavia, è stata quella di trovare perovskiti con il giusto "gap di banda":uno specifico intervallo di energia che determina l'efficienza con cui un materiale può assorbire la luce solare e convertirla in elettricità senza perderla sotto forma di calore.

Ora, un progetto di ricerca dell’EPFL guidato da Haiyuan Wang e Alfredo Pasquarello, con collaboratori a Shanghai e Louvain-La-Neuve, ha sviluppato un metodo che combina tecniche computazionali avanzate con l’apprendimento automatico per cercare materiali di perovskite ottimali per applicazioni fotovoltaiche. L'approccio potrebbe portare a pannelli solari più efficienti ed economici, trasformando gli standard del settore solare.

L'articolo è pubblicato sul Journal of American Chemical Society .

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

I funzionali ibridi utilizzati erano "dipendenti dal dielettrico", nel senso che incorporavano le proprietà di polarizzazione elettronica del materiale nei loro calcoli. Ciò ha migliorato significativamente la precisione delle previsioni sul gap di banda rispetto alla DFT standard, il che è particolarmente importante per materiali come le perovskiti dove l'interazione degli elettroni e gli effetti di polarizzazione sono cruciali per le loro proprietà elettroniche.

Il set di dati risultante ha fornito una solida base per identificare materiali di perovskite con proprietà elettroniche ottimali per applicazioni come il fotovoltaico, dove il controllo preciso sui valori di band gap è essenziale per massimizzare l'efficienza.

Il team ha quindi utilizzato i calcoli del gap di banda per sviluppare un modello di apprendimento automatico addestrato sulle 246 perovskiti e lo ha applicato a un database di circa 15.000 materiali candidati per le celle solari, restringendo la ricerca alle perovskiti più promettenti in base alla banda prevista. divari e stabilità. Il modello ha identificato 14 perovskiti completamente nuove, tutte con band gap e stabilità energetica sufficientemente elevata da renderle eccellenti candidati per celle solari ad alta efficienza.

Il lavoro dimostra che l'utilizzo dell'apprendimento automatico per semplificare la scoperta e la validazione di nuovi materiali fotovoltaici può ridurre i costi e accelerare notevolmente l'adozione dell'energia solare, riducendo la nostra dipendenza dai combustibili fossili e favorendo lo sforzo globale per combattere il cambiamento climatico.