Integrating Density Functional Theory, Machine Learning, and Device Simulation for Perovskite Photovoltaics: A Review

La energía solar ha dependido durante mucho tiempo del silicio, un material que es fiable pero costoso de refinar y rígido de trabajar. En años recientes, una nueva clase de materiales conocidos como perovskitas ha surgido como una alternativa poderosa. Estos son cristales con una estructura específica y altamente versátil que puede ajustarse para absorber la luz solar de manera muy eficiente. Pueden fabricarse como películas delgadas y flexibles, y su capacidad para convertir la luz en electricidad ha mejorado tan rápidamente que ahora rivalizan con las mejores células de silicio. Sin embargo, este potencial viene acompañado de un obstáculo significativo. El espacio químico de estos materiales es vasto; al intercambiar diferentes átomos en su estructura, los científicos pueden crear millones de variaciones posibles. Probar cada una en un laboratorio es imposible, ya que tomaría décadas y costaría una fortuna. Además, un material que parece perfecto en un modelo computacional podría fallar en un panel solar real debido a fallos ocultos, como átomos inestables o iones que se mueven dentro del cristal cuando se calienta.

Para resolver esto, los investigadores están recurriendo a una nueva forma de trabajar que combina tres herramientas distintas: cálculos de física cuántica, inteligencia artificial y simulaciones de paneles solares. El objetivo es crear un flujo de trabajo que pueda predecir qué recetas químicas funcionarán antes de que se mezcle una sola gota de líquido en un laboratorio. Este enfoque no depende de adivinar. En su lugar, utiliza las leyes de la física para comprender el material a nivel atómico, utiliza el aprendizaje automático para escanear miles de millones de posibilidades y, luego, utiliza el modelado de dispositivos para ver cómo esos materiales actuarían realmente como una máquina generadora de energía. El desafío siempre ha sido conectar estos tres pasos. Un cálculo que describe un átito individual no puede simplemente pegarse en un programa que simula un panel solar completo; la información debe traducirse cuidadosamente, o los resultados carecerán de sentido.

Una revisión reciente de Sameer Pandey traza exactamente cómo construir este puente. El artículo no presenta una única célula solar nueva, sino más bien una guía crítica sobre cómo vincular estos métodos computacionales para que trabajen juntos sin romper las leyes de la física. El autor argumenta que, si bien tenemos herramientas poderosas para calcular las propiedades de átomos individuales y herramientas poderosas para predecir tendencias en grandes conjuntos de datos, a menudo tratamos la transferencia de información entre ellas como un proceso simple de "conectar y usar". Esta es una simplificación peligrosa. La revisión explica que pasar del mundo microscópico de los átomos al mundo macroscópico de un panel solar requiere pasos específicos y fundamentados en la física. No se puede tomar simplemente un número de un cálculo cuántico y alimentarlo directamente en un simulador de paneles solares. Las propiedades deben interpretarse y adaptarse para ajustarse al contexto más amplio de cómo fluye realmente la electricidad a través de un dispositivo.

El artículo describe un flujo de trabajo que comienza con la teoría del funcional de la densidad, un método que utiliza la mecánica cuántica para calcular los niveles de energía y la estabilidad de una estructura cristalina específica. Esto proporciona los datos brutos de alta fidelidad, como qué tan fuertemente se retienen los electrones o qué tan fácilmente se forman defectos en el material. Estos números se utilizan luego para entrenar modelos de aprendizaje automático. Estos modelos son como estudiantes que aprenden las reglas de la química a partir de los datos cuánticos. Una vez entrenados, pueden predecir las propiedades de nuevos materiales no probados en una fracción de segundo, escaneando vastos espacios químicos que tomarían años explorar solo con cálculos cuánticos. Sin embargo, la revisión enfatiza que estas predicciones son solo el primer paso. El resultado del aprendizaje automático debe traducirse al lenguaje específico de la simulación de dispositivos.

El software de simulación de dispositivos, como SCAPS-1D, actúa como un laboratorio virtual para paneles solares. Toma las propiedades del material y simula cómo interactúan la luz y la electricidad dentro de una estructura estratificada. Aquí, el artículo destaca una distincción crucial. Un modelo de aprendizaje automático puede predecir la "banda prohibida" (bandgap) de un material, que es el rango de energía que absorbe, y esto puede usarse directamente en la simulación. Pero otras propiedades, como la velocidad a la que se mueven los electrones o cuántos defectos existen, no siempre están disponibles directamente de la predicción de aprendizaje automático. A menudo requieren supuestos físicos adicionales o datos experimentales para definirse correctamente. La revisión advierte que, si estos pasos intermedios se omiten o se manejan de forma deficiente, la simulación producirá resultados que se ven impresionantes en una pantalla pero que no tienen nada que ver con la realidad. El autor subraya que la conexión entre la escala atómica y la escala del dispositivo no es automática; requiere una traducción deliberada y basada en la física.

Para ilustrar este proceso, el artículo examina un ejemplo específico: una doble perovskita libre de plomo llamada Cs2AgBiBr6. Este material es de interés porque evita la toxicidad del plomo, que se encuentra en las células de perovskita más eficientes. Los investigadores utilizaron cálculos cuánticos para determinar las propiedades fundamentales del material, como su brecha de energía y cómo responde a los campos eléctricos. Estos valores fueron luego mapeados en una simulación de dispositivo para ver cómo se desempeñaría un panel solar hecho de este material. La simulación mostró que, si el material es puro y está libre de defectos, la eficiencia teórica podría superar el 11 por ciento. Sin embargo, la simulación también reveló que, si el material contiene incluso un pequeño número de defectos, el rendimiento cae drásticamente. Este hallazgo subraya la importancia del flujo de trabajo: el modelo computacional identificó que el éxito del material depende enteramente de mantener las impurezas bajas, un detalle que podría haberse pasado por alto sin este análisis de múltiples pasos.

La revisión también señala dónde falla actualmente este enfoque integrado. Un problema importante es que los datos utilizados para entrenar los modelos de aprendizaje automático a menudo provienen de diferentes fuentes utilizando diferentes métodos, lo que puede generar inconsistencias. Si los cálculos cuánticos no están estandarizados, el modelo de aprendizaje automático podría aprender patrones incorrectos. Otra limitación es que la mayoría de las simulaciones asumen que el material es estático y perfecto, mientras que los paneles solares reales se degradan con el tiempo. Los iones dentro del cristal pueden moverse cuando el sol brilla, cambiando las propiedades del material. Los modelos actuales luchan por capturar este comportamiento dinámico, lo que significa que podrían predecir una célula estable y de alta eficiencia que en realidad fallaría en el mundo real. El autor argumenta que el progreso futuro depende de la creación de mejores estándares para los datos, el desarrollo de modelos de aprendizaje automático que comprendan la física del tiempo y el cambio, y la construcción de simulaciones que puedan dar cuenta de estas partes móviles.

En última instancia, el artículo sirve como una hoja de ruta para una forma más confiable de descubrir nuevos materiales solares. Sugiere que el futuro de la investigación de las perovskitas reside en un ciclo cerrado donde los cálculos cuánticos proporcionan los hechos, el aprendizaje automático encuentra los candidatos y las simulaciones de dispositivos prueban la realidad. Este ciclo puede repetirse, con cada paso refinando al siguiente, hasta que se identifiquen los materiales más prometedores. La revisión no afirma que este proceso haya resuelto el problema de la energía solar, pero proporciona un camino claro a seguir. Al tratar la conexión entre estas herramientas como un desafío de ingeniería complejo en lugar de una simple transferencia de datos, los científicos pueden evitar falsas pistas y centrar sus esfuerzos en materiales que estén realmente listos para alimentar al mundo. El trabajo confirma que, si bien tenemos las herramientas para diseñar la célula solar perfecta, primero debemos aprender a hablar el mismo lenguaje a través de las diferentes escalas de la ciencia.