Physics-Informed Neural Modeling of TiO 2 Photoanode Thickness-Dependent Electron Transport and Photovoltaic Performance in Dye-Sensitized Solar Cells

Resumen Técnico: Modelado de Redes Neuronales Informadas por la Física para el Transporte de Electrones Dependiente del Espesor del Fotoánodo de TiO₂ en DSSCs

Planteamiento del Problema
En las células solares sensibilizadas por colorante (DSSC, por sus siglas en inglés), el espesor del fotoánodo de TiO₂ es una variable crítica y no monotónica. El aumento del espesor mejora la carga de colorante y la absorción óptica, pero simultáneamente incrementa la distancia de transporte de electrones, lo que conduce a mayores tasas de recombinación y pérdidas de transporte. Mientras que las interpolaciones polinómicas o de splines tradicionales pueden aproximar las tendencias de espesor, estas no logran imponer la ecuación de continuidad de electrones subyacente. Por el contrario, los modelos deterministas de ecuaciones diferenciales parciales (PDE) a menudo requieren coeficientes efectivos que son difíciles de identificar de forma unívoca a partir de datos experimentales dispersos. El estudio aborda el desafío de modelar este rendimiento dependiente del espesor con un conjunto de datos limitado (seis dispositivos), distinguiendo entre la capacidad predictiva dentro del sistema y la generalización universal.

Metodología
Los autores desarrollaron un marco de Red Neuronal Informada por la Física (PINN) basado en una ecuación de continuidad de electrones en estado estacionario unidimensional. El enfoque integra leyes físicas con una corrección de residuo impulsada por datos para gestionar la escasez de datos.

1. Formulación Matemática:

   • El modelo resuelve una ecuación normalizada de difusión-generación-recombinación para la densidad de electrones en exceso $u(\xi, d)$, donde $\xi$ es la profundidad normalizada y $d$ es el espesor de la película.
   • La PDE incorpora explícitamente el espesor mediante los grupos adimensionales $(L/d)^2$ (difusión frente a recombinación) y $\alpha d$ (atenuación óptica).
   • Las condiciones de contorno incluyen la extracción ideal en el contacto FTO ($u=0$) y un flujo cero en la interfaz del electrolito.
   • Los parámetros físicos clave (coeficiente de difusión efectiva de electrones $D_e$, tiempo de vida $\tau$, coeficiente de absorción $\alpha$ y flujo de fotones $\phi$) se fijaron a valores efectivos específicos para evitar problemas de no identificabilidad inherentes al ajuste de seis puntos de datos con múltiples parámetros libres.

2. Arquitectura de la Red:

   • El campo de la solución $u_\theta$ se aproxima mediante una Máquina de Aprendizaje Extremo Informada por la Física (PI-ELM) con características aleatorias.
   • La red utiliza una única capa oculta con 80 características de tangente hiperbólica (tanh); los pesos y sesgos se congelan, y solo los coeficientes de salida se optimizan mediante un problema de mínimos cuadrados restringido.
   • Esta arquitectura evita los costos de retropropagación y asegura la diferenciabilidad analítica para los residuos de la PDE.

3. Calibración a Nivel de Dispositivo:

   • Para cerrar la brecha entre la PDE 1D idealizada y el rendimiento del dispositivo real, se aplicó una corrección de residuo de baja capacidad regularizada.
   • La corriente de cortocircuito ($J_{SC}$) se modeló como la corriente derivada de la PDE multiplicada por un término de residuo: $\exp(c_0 + c_1 z + c_2 z^2)$, donde $z$ es el espesor normalizado. Los coeficientes $c_1$ y $c_2$ fueron restringidos mediante la regularización de rizo L2 ($\lambda=0.10$) para prevenir el sobreajuste.
   • $V_{OC}$ y el Factor de Llenado (FF) se modelaron utilizando mapeos de residuo lineales.

4. Protocolo de Validación:

   • Verificación Analítica: El campo neuronal resolvió la PDE con alta fidelidad, logrando un error relativo L2 de 0.08–0.68% respecto a la solución analítica en todos los espesores.
   • Validación Cruzada de Dejar Uno de Espesor Fuera (LOOCV): El modelo se entrenó con cinco dispositivos y se probó con el sexto, repitiendo el proceso para todas las muestras.
   • Comparación con Línea Base: El rendimiento se comparó con regresión lineal/cuadrática, splines cúbicos naturales, Regresión de Procesos Gaussianos y una ANN convencional.
   • Transferencia Externa: Un modelo "congelado" (entrenado con el conjunto de datos de Tsai et al.) se aplicó sin recalibración a dos conjuntos de datos independientes publicados (Sedghi & Miankushki; Kumari et al.) para probar el desplazamiento de dominio.

Resultados Clave

• Precisión del Campo Físico: El campo neuronal resolvió la PDE con alta fidelidad, logrando un error L2 relativo de 0.08–0.68% frente a la solución analítica en todos los espesores.
• Desempeño Predictivo (LOOCV):
  • La PINN alcanzó un Error Absoluto Porcentual Medio (MAPE) de 12.40% para la eficiencia, superando significativamente a todas las líneas base: Regresión Lineal (27.76%), Regresión Cuadrática (26.08%), Spline Cúbico Natural (78.42%), Proceso Gaussiano (19.34%) y la ANN convencional (20.15%).
  • El modelo predijo un espesor óptimo de 29.72 µm con una eficiencia del 8.70%, ligeramente superior al máximo experimental de 26.6 µm, lo que refleja la robustez del modelo en la meseta de alto rendimiento.
• Estudios de Ablación:
  • Eliminar la restricción física (ANN basada solo en datos) aumentó el MAPE de la eficiencia al 20.15%.
  • Utilizar solo el modelo físico con una escala de corriente global (sin corrección de residuo) produjo un MAPE de 12.35%, demostrando que la forma de la PDE captura la mayor parte de la tendencia, mientras que la corrección de residuo refina el ajuste.
• Cuantificación de la Incertidumbre: Debido al pequeño conjunto de datos (N=6), un análisis de remuestreo jackknife reveló un intervalo de incertidumbre amplio para el espesor óptimo (12.72–46.72 µm), indicando que el óptimo preciso no es estadísticamente resoluble con solo seis puntos de datos.
• Limitaciones de la Transferencia Externa:
  • Al aplicarse al conjunto de datos de Sedghi & Miankushki, el modelo congelado produjo un MAPE de eficiencia de 17.10%.
  • Al aplicarse al conjunto de datos de Kumari et al. (diferente fabricación, colorante y electrolito), el MAPE aumentó a 19.78%.
  • El modelo no logró capturar el menor espesor óptimo de los sistemas externos, confirmando que el espesor por sí solo es insuficiente para describir el rendimiento a través de diferentes rutas de fabricación.

Significancia y Reivindicaciones
El artículo afirma presentar un marco de datos pequeños regularizado por la física que logra discriminar entre el valor predictivo dentro de un sistema y la generalización universal.

• Reproducibilidad y Robustez: El estudio demuestra que embeber la física del transporte en un modelo neuronal permite una interpolación y extrapolación superior dentro de un sistema específico en comparación con métodos puramente basados en datos, incluso con datos muy escasos (N=6).
• Modestia en la Generalización: Los autores declaran explícitamente que el objetivo no es predecir una curva de rendimiento universal de DSSC. En su lugar, el estudio destaca el problema del "desplazamiento de dominio": un sustituto basado únicamente en el espesor no puede generalizarse a través de diferentes químicas de fabricación (ej. compresión, sinterización, elección de colorante).
• Cambio Metodológico: El trabajo aboga por un enfoque de modelado conservador donde las constantes físicas se fijan para evitar la no identificabilidad, y las correcciones empíricas están estrictamente regularizadas. Esto evita que el modelo "memorice" el ruido en conjuntos de datos pequeños mientras mantiene la consistencia física.
• Dirección Futura: El artículo concluye que, para una mayor aplicabilidad, los modelos futuros deben evolucionar hacia marcos multivariantes que incorporen entradas explícitas como la porosidad, la carga de colorante y la resistencia de transporte, en lugar de depender únicamente del espesor como un proxy.