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

A energia solar tem dependido há muito tempo do silício, um material que é confiável, mas caro de refinar e rígido para trabalhar. Nos últimos anos, uma nova classe de materiais conhecidos como perovskitas surgiu como uma alternativa poderosa. Estes são cristais com uma estrutura específica e altamente versátil que pode ser ajustada para absorver a luz solar de forma muito eficiente. Eles podem ser transformados em filmes finos e flexíveis, e sua capacidade de converter luz em eletricidade melhorou tão rapidamente que agora rivalizam com as melhores células de silício. No entanto, este potencial vem acompanhado de um obstáculo significativo. O espaço químico desses materiais é vasto; ao trocar diferentes átomos em sua estrutura, os cientistas podem criar milhões de variações possíveis. Testar cada uma delas em um laboratório é impossível, pois levaria décadas e custaria uma fortuna. Além disso, um material que parece perfeito em um modelo de computador pode falhar em um painel solar real devido a falhas ocultas, como átomos instáveis ou íons que se movem dentro do cristal quando aquecidos.

Para resolver isso, pesquisadores estão recorrendo a uma nova forma de trabalhar que combina três ferramentas distintas: cálculos de física quântica, inteligência artificial e simulações de painéis solares. O objetivo é criar um fluxo de trabalho que possa prever quais receitas químicas funcionarão antes que uma única gota de líquido seja misturada em um laboratório. Esta abordagem não depende de adivinhação. Em vez disso, utiliza as leis da física para entender o material no nível atômico, utiliza o aprendizado de máquina para percorrer bilhões de possibilidades e, em seguida, utiliza a modelagem de dispositivos para ver como esses materiais realmente atuariam como uma máquina geradora de energia. O desafio sempre foi conectar essas três etapas. Um cálculo que descreve um único átomo não pode simplesmente ser colado em um programa que simula um painel solar inteiro; a informação deve ser traduzida cuidadosamente, ou os resultados serão sem sentido.

Uma revisão recente de Sameer Pandey mapeia exatamente como construir essa ponte. O artigo não apresenta uma única célula solar nova, mas sim um guia crítico sobre como vincular esses métodos computacionais para que trabalhem juntos sem violar as leis da física. O autor argumenta que, embora tenhamos ferramentas poderosas para calcular as propriedades de átomos individuais e ferramentas poderosas para prever tendências em grandes conjuntos de dados, frequentemente tratamos a transferência de informações entre elas como um processo simples de "plug-and-play". Esta é uma simplificação perigosa. A revisão explica que passar do mundo microscópico dos átomos para o mundo macroscópico de um painel solar requer etapas específicas e fundamentadas na física. Você não pode simplesmente pegar um número de um cálculo quântico e inseri-lo diretamente em um simulador de painel solar. As propriedades devem ser interpretadas e adaptadas para se ajustarem ao contexto maior de como a eletricidade realmente flui através de um dispositivo.

O artigo descreve um fluxo de trabalho que começa com a teoria do funcional de densidade, um método que utiliza a mecânica quântica para calcular os níveis de energia e a estabilidade de uma estrutura cristalina específica. Isso fornece os dados brutos de alta fidelidade, como o quão fortemente os elétrons são mantidos ou com que facilidade o material forma defeitos. Esses números são então usados para treinar modelos de aprendizado de máquina. Esses modelos são como estudantes que aprendem as regras da química a partir dos dados quânticos. Uma vez treinados, eles podem prever as propriedades de novos materiais não testados em uma fração de segundo, percorrendo vastos espaços químicos que levariam anos para serem explorados apenas com cálculos quânticos. No entanto, a revisão enfatiza que essas previsões são apenas o primeiro passo. O resultado do aprendizado de máquina deve ser então traduzido para a linguagem específica da simulação de dispositivos.

O software de simulação de dispositivos, como o SCAPS-1D, atua como um laboratório virtual para painéis solares. Ele recebe as propriedades do material e simula como a luz e a eletricidade interagem dentro de uma estrutura em camadas. Aqui, o artigo destaca uma distinção crucial. Um modelo de aprendizado de máquina pode prever o "bandgap" de um material, que é a faixa de energia que ele absorve, e isso pode ser usado diretamente na simulação. Mas outras propriedades, como a velocidade com que os elétrons se movem ou quantos defeitos existem, nem sempre estão diretamente disponíveis da previsão de aprendizado de máquina. Elas frequentemente exigem suposições físicas adicionais ou dados experimentais para serem definidas corretamente. A revisão alerta que, se essas etapas intermediárias forem ignoradas ou mal conduzidas, a simulação produzirá resultados que parecem impressionantes em uma tela, mas que não têm nada a ver com a realidade. O autor enfatiza que a conexão entre a escala atômica e a escala do dispositivo não é automática; ela requer uma tradução deliberada e baseada na física.

Para ilustrar esse processo, o artigo examina um exemplo específico: uma dupla perovskita livre de chumbo chamada Cs2AgBiBr6. Este material é de interesse porque evita a toxicidade do chumbo, que é encontrado nas células de perovskita mais eficientes. Os pesquisadores usaram cálculos quânticos para determinar as propriedades fundamentais do material, como seu hiato de energia e como ele responde a campos elétricos. Esses valores foram então mapeados em uma simulação de dispositivo para ver como um painel solar feito deste material desempenharia. A simulação mostrou que, se o material for puro e livre de defeitos, a eficiência teórica pode ultrapassar 11 por cento. No entanto, a simulação também revelou que, se o material contiver mesmo um pequeno número de defeitos, o desempenho cai drasticamente. Essa descoberta ressalta a importância do fluxo de trabalho: o modelo computacional identificou que o sucesso do material depende inteiramente de manter as impurezas baixas, um detalhe que poderia ter sido perdido sem essa análise de múltiplas etapas.

A revisão também aponta onde essa abordagem integrada atualmente falha. Um problema importante é que os dados usados para treinar os modelos de aprendizado de máquina muitas vezes vêm de fontes diferentes usando métodos diferentes, o que pode levar a inconsistências. Se os cálculos quânticos não forem padronizados, o modelo de aprendizado de máquina pode aprender os padrões errados. Outra limitação é que a maioria das simulações assume que o material é estático e perfeito, enquanto painéis solares reais degradam-se ao longo do tempo. Íons dentro do cristal podem se mover quando o sol brilha, alterando as propriedades do material. Os modelos atuais têm dificuldade em capturar esse comportamento dinâmico, o que significa que podem prever uma célula estável e de alta eficiência que, na verdade, falharia no mundo real. O autor argumenta que o progresso futuro depende da criação de melhores padrões para dados, do desenvolvimento de modelos de aprendizado de máquina que compreendam a física do tempo e da mudança, e da construção de simulações que possam dar conta dessas partes móveis.

Em última análise, o artigo serve como um roteiro para uma maneira mais confiável de descobrir novos materiais solares. Sugere que o futuro da pesquisa de perovskitas reside em um ciclo fechado onde cálculos quânticos fornecem os fatos, o aprendizado de máquina encontra os candidatos e as simulações de dispositivos testam a realidade. Este ciclo pode ser repetido, com cada etapa refinando a próxima, até que os materiais mais promissores sejam identificados. A revisão não afirma que este processo resolveu o problema da energia solar, mas fornece um caminho claro a seguir. Ao tratar a conexão entre essas ferramentas como um desafio de engenharia complexo, em vez de um simples processo de transferência de dados, os cientistas podem evitar falsas pistas e focar seus esforços em materiais que estejam verdadeiramente prontos para alimentar o mundo. O trabalho confirma que, embora tenhamos as ferramentas para projetar a célula solar perfeita, devemos primeiro aprender a falar a mesma língua através das diferentes escalas da ciência.