Temperature-Driven Sequential Modeling for the Prediction of Annual Power Conversion Efficiency Profiles of Organic Photovoltaic Materials: Douala Case Study

Resumen Técnico: Modelado Secuencial Impulsado por la Temperatura para la Predicción de OPV

Planteamiento del Problema
Las herramientas actuales de cribado virtual para materiales de fotovoltaica orgánica (OPV), como el Proyecto de Energía Limpia de Harvard (CEP), dependen de valores estáticos de Eficiencia de Conversión de Energía (PCE) calculados en Condiciones de Prueba Estándar (STC: 298.15 K). Estas métricas estáticas no logran capturar la degradación del rendimiento experimentada por los dispositivos OPV bajo condiciones de despliegue en el mundo real, particularmente en regiones tropicales donde las temperaturas de los paneles superan frecuentemente los 320 K. El origen físico de esta degradación reside en la dinámica conformacional térmica —oscilaciones torsionales y expansiones de la columna vertebral— que modula las energías de los orbitales frontera y las tasas de transferencia de carga en escalas de tiempo de picosegundos. Simular explícitamente estas dinámicas mediante química cuántica para el cribado de alto rendimiento es computacionalmente intratable, lo que crea una brecha crítica entre los puntos de referencia de laboratorio y la realidad operativa en el Sur Global.

Metodología
Los autores proponen un marco computacional "Clima-Nativo" que integra dinámica molecular, sustitutos de aprendizaje automático y aprendizaje profundo secuencial para pronosticar perfiles anuales de PCE. El flujo de trabajo consta de cuatro etapas distintas:

1. Muestreo Estratificado y Dinámica Molecular (MD): De un conjunto de ~30,000 moléculas donantes del CEP, se seleccionó un subconjunto representativo de 268 moléculas utilizando la asignación óptima de Neyman a través de los cuartiles de PCE estática. Se generaron trayectorias de MD de temperatura finita (50 ps, paso de tiempo de 1 fs) para estas moléculas utilizando el Hamiltoniano de enlace fuerte semiemperical GFN2-xTB en fase gaseosa.
2. Cálculo de Propiedades Electrónicas: Para cada instantánea (snapshot) de la MD, se realizaron cálculos de punto único para los estados neutro, catiónico y aniónico utilizando GFN2-xTB con un modelo de solvatación de tolueno implícito. Estos valores se calibraron linealmente para coincidir con las escalas de referencia de DFT (BP86/def2-SVP) para asegurar la consistencia con la base de datos del CEP.
3. Entrenamiento del Sustituto GNN: Para evitar el costo prohibitivo de los cálculos cuánticos explícitos a escala, se evaluaron seis arquitecturas de Redes Neuronales de Grafos (GNN). Se seleccionó un GNN equivariante (PaiNN) como el sustituto óptimo. El conjunto de datos de entrenamiento comprendió 214 moléculas que produjeron 96,300 instantáneas (450 fotogramas por molécula), mientras que el conjunto de datos total de 268 moléculas generó 120,600 instantáneas. El sustituto predice las energías de los orbitales frontera ($E_{HOMO}$, $E_{LUMO}$), las brechas de energía (bandgaps) y las energías de reorganización vertical ($\lambda_{vert}$) con alta fidelidad.
4. Pronóstico Secuencial: El marco acopla las propiedades electrónicas predichas por la GNN con datos meteorológicos reales (API NASA POWER) para Douala, Camerún. Utilizando un modelo físico de Temperatura de Operación Nominal de la Célula (NOCT), los datos meteorológicos horarios se convierten en temperaturas de la célula ($T_{cell}$). Los modelos de aprendizaje profundo secuencial (LSTM, GRU, Transformer) se entrenan con vectores de series temporales de 52 semanas que contienen $T_{cell}$, irradiancia solar y PCE instantánea para pronosticar perfiles de eficiencia anual.

Contribuciones Clave
El artículo establece nueve contribuciones metodológicas distintas:

1. Pronóstico Clima-Nativo: Ir más allá de los puntos de referencia estáticos de 298.15 K al condicionar las predicciones en registros meteorológicos reales.
2. Sustitutos Equivariantes 3D: Desplegar PaiNN entrenado en instantáneas de MD de temperatura finita para predecir propiedades electrónicas a través de espacios conformacionales térmicamente distorsionados y fuera del equilibrio.
3. Vínculo Dinámico Marcus-Scharber: Evaluar la energía de reorganización vertical a lo largo de las trayectorias de MD para cuantificar las barreras microscópicas de transferencia de carga ($k_{CT}$) como validadores de las tasas de degradación estacionales.
4. Muestreo Adaptativo: Un protocolo que densifica la colección de trayectorias de MD durante los períodos de transición climática identificados por una alta varianza de temperatura semanal.
5. Puntuación de Estabilidad Estacional ($S_{stability}$): Una nueva métrica definida como $S_{stability} = \max(0.0, 1.0 - \frac{\sigma_{PCE}}{\mu_{PCE} + 10^{-6}})$, que reclasifica a los candidatos por su consistencia de rendimiento bajo microclimas tropicales en lugar de la eficiencia estática.
6. Transferencia Zero-Shot: Demostrar la generalizabilidad del modelo a Yaoundé y Maroua sin reentrenamiento, incluyendo un manejador de Fuera de Distribución (OOD) para eventos de calor extremo que exceden el envolvente de entrenamiento.
7. Ensanchamiento de la Brecha de Energía Térmica: Cuantificar $\sigma_{Egap}$ como una métrica de desorden conformacional dinámico específica de la molécula.
8. Validación de Correlación: Establecer una fuerte correlación de Pearson ($r=0.86$) entre la energía de reorganización vertical media y las tasas de degradación de PCE estacional.
9. Benchmarking Computacional: Demostrar una aceleración de ~1050× en el tiempo de ejecución del sustituto GNN equivariante sobre los cálculos explícitos de GFN2-xTB.

Resultos

• Desempeño del Sustituto: La arquitectura PaiNN logró un Error Absoluto Medio (MAE) de 0.031 eV para $E_{HOMO}$ y 0.042 eV para la brecha de energía ($E_{gap}$), con una aceleración de inferencia de ~1050× en comparación con la química cuántica explícita.
• Modelado Secuencial: Los modelos secuenciales (específicamente la arquitectura Transformer) entrenados en trayectorias completas de MD superaron a las líneas base estáticas promediadas en un 35%–48% en la reducción relativa del MAE (MAE de Transformer: 0.178% vs. Línea Base Estática: 0.327%). Esto confirma que las fluctuaciones conformacionales térmicas codifican señales físicas esenciales para un cribado operativo preciso.
• Validación Experimental: Al validarse contra 350 dispositivos experimentales de la base de datos HOPV15, el pronóstico anual Clima-Nativo logró un $R^2$ de 0.78 y un RMSE de 0.84%, superando significativamente las predicciones estáticas de STC ($R^2 = 0.54$, RMSE = 1.68%).
• Perspectivas Geográficas: El marco identificó que las moléculas con alta PCE estática a menudo sufren caídas severas de eficiencia (1.2%–2.8% absoluto) durante las estaciones secas tropicales debido a pérdidas de voltaje térmicas y aumento de las barreras de reorganización. Por el contrario, los donantes estructuralmente rígidos mantuvieron la estabilidad, demostando que las clasificaciones estáticas a menudo identifican erróneamente los materiales más adecuados para el despliegue tropical.

Significancia
El artículo afirma que este marco proporciona una metodología escalable y rigurosa para el descubrimiento de materiales consciente del clima. Al cambiar el paradigma de cribado de condiciones estáticas de laboratorio a entornos operativos dinámicos y geográficamente realistas, el estudio ofrece una métrica más confiable para el despliegue de tecnologías de energía renovable en regiones tropicales y subsaharianas. La introducción de la Puntuación de Estabilidad Estacional ($S_{stability}$) permite a los investigadores identificar moléculas donantes que priorizan la resiliencia operativa sobre la eficiencia estática máxima, abordando una brecha crítica en el panorama actual del cribado virtual.