Il sole trasmette continuamente trilioni di watt di energia alla Terra. Lo farà per altri miliardi di anni. Eppure, abbiamo appena iniziato ad attingere a quell'abbondante fonte di energia rinnovabile a costi accessibili.

Gli assorbitori solari sono un materiale utilizzato per convertire questa energia in calore o elettricità. Maria Chan, una scienziata dell'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti (DOE), ha sviluppato un metodo di apprendimento automatico per lo screening di molte migliaia di composti come assorbitori solari. Il suo coautore di questo progetto è stato Arun Mannodi-Kanakkithodi, un ex postdottorato Argonne che ora è assistente professore alla Purdue University.

"Secondo un recente studio del DOE, entro il 2035 l'energia solare potrebbe alimentare il 40% dell'elettricità della nazione", ha affermato Chan. "E potrebbe aiutare a decarbonizzare la rete e fornire molti nuovi posti di lavoro."

Chan e Mannodi-Kanakkithodi scommettono sul fatto che l'apprendimento automatico svolgerà un ruolo fondamentale nel realizzare questo nobile obiettivo. Una forma di intelligenza artificiale (AI), l'apprendimento automatico utilizza una combinazione di grandi set di dati e algoritmi per imitare il modo in cui gli esseri umani apprendono. Impara dall'allenamento con dati campione ed esperienze passate per fare previsioni sempre migliori.

Ai tempi di Thomas Edison, gli scienziati scoprirono nuovi materiali attraverso il laborioso processo di tentativi ed errori con molti candidati diversi finché uno non funziona. Negli ultimi decenni, hanno anche fatto affidamento su calcoli ad alta intensità di lavoro che richiedono fino a mille ore per prevedere le proprietà di un materiale. Ora possono abbreviare entrambi i processi di individuazione ricorrendo all'apprendimento automatico.

Attualmente, l'assorbitore primario nelle celle solari è il silicio o il tellururo di cadmio. Tali cellule sono ormai all'ordine del giorno. Ma rimangono abbastanza costosi e ad alta intensità energetica da produrre.

Il team ha utilizzato il proprio metodo di apprendimento automatico per valutare le proprietà dell'energia solare di una classe di materiale chiamata perovskiti ad alogenuri. Negli ultimi dieci anni, molti ricercatori hanno studiato le perovskiti per la loro notevole efficienza nel convertire la luce solare in elettricità. Offrono anche la prospettiva di costi e input energetici molto inferiori per la preparazione dei materiali e la costruzione delle celle.

"A differenza del tellururo di silicio o di cadmio, le possibili variazioni degli alogenuri combinati con le perovskiti sono essenzialmente illimitate", ha affermato Chan. "C'è quindi un urgente bisogno di sviluppare un metodo che possa restringere i candidati promettenti a un numero gestibile. A tal fine, l'apprendimento automatico è uno strumento perfetto."

Il team ha addestrato il proprio metodo con i dati di alcune centinaia di composizioni di perovskite agli alogenuri, quindi lo ha applicato a oltre 18.000 composizioni come banco di prova. Il metodo ha valutato queste composizioni per proprietà chiave come stabilità, capacità di assorbire la luce solare, struttura che non si rompe facilmente a causa di difetti e altro ancora. I calcoli concordavano bene con i dati rilevanti nella letteratura scientifica. Inoltre, i risultati hanno ridotto il numero di composizioni degne di ulteriori studi a circa 400.

"La nostra lista di candidati ha composti che sono già stati studiati, composti che nessuno ha mai studiato e persino composti che non erano tra i 18.000 originali", ha affermato Chan. "Quindi siamo molto entusiasti di questo."

Il prossimo passo sarà testare le previsioni usando esperimenti. Lo scenario ideale sarebbe utilizzare un laboratorio di scoperta autonomo, come Polybot presso il Center for Nanoscale Materials (CNM) dell'Argonne, una struttura utente del DOE Office of Science. Polybot unisce la potenza della robotica con l'intelligenza artificiale per guidare la scoperta scientifica con un intervento umano minimo o nullo.

Utilizzando la sperimentazione autonoma per sintetizzare, caratterizzare e testare il meglio delle poche centinaia di candidati principali, Chan e il suo team prevedono di poter migliorare anche l'attuale metodo di apprendimento automatico.

"Siamo davvero in una nuova era di applicazione dell'IA e del calcolo ad alte prestazioni alla scoperta dei materiali", ha affermato Chan. "Oltre alle celle solari, la nostra metodologia di progettazione potrebbe applicarsi a LED e sensori a infrarossi."

Questa ricerca è riportata in un articolo in Energy &Environmental Science . + Esplora ulteriormente

Scoprire i modelli della natura su scala atomica in colori vivi