Los materiales llamados perovskitas se anuncian como un posible sustituto del silicio como material de elección para las células solares, pero su mayor inconveniente es su tendencia a degradarse con relativa rapidez. En los últimos años, la vida útil de las células basadas en perovskitas ha mejorado gradualmente, pasando de minutos a meses, pero sigue estando muy por detrás de las décadas que se esperan del silicio, el material que se utiliza actualmente en prácticamente todos los paneles solares comerciales.

Ahora, un equipo interdisciplinar internacional dirigido por el MIT ha ideado un nuevo enfoque para acotar la búsqueda de los mejores candidatos para las formulaciones de perovskita de larga duración, entre un gran número de combinaciones potenciales. Su sistema ya ha dado con una composición que, en el laboratorio, ha mejorado más de diez veces las versiones existentes. Incluso en condiciones reales a nivel de célula solar completa, más allá de una pequeña muestra en el laboratorio, este tipo de perovskita ha funcionado tres veces mejor que las formulaciones más modernas.

Los hallazgos aparecen en la revista Matter, en un artículo del científico investigador del MIT Shijing Sun, los profesores del MIT, Moungi Bawendi, John Fisher y Tonio Buonassisi, que también es investigador principal de la Alianza Singapur-MIT para la Investigación y la Tecnología (SMART), y otras 16 personas del MIT, Alemania, Singapur, Colorado y Nueva York.

Las perovskitas son una amplia clase de materiales que se caracterizan por la disposición de los átomos en su red cristalina de capas. Estas capas, descritas por convención como A, B y X, pueden estar formadas por diferentes átomos o compuestos. Por eso, buscar en todo el universo de estas combinaciones para encontrar los mejores candidatos que cumplan objetivos específicos (longevidad, eficiencia, fabricabilidad y disponibilidad de materiales de origen) es un proceso lento y minucioso, y en gran medida sin ningún mapa que sirva de guía.

"Si se tienen en cuenta sólo tres elementos, los más comunes en las perovskitas que se introducen y eliminan están en el sitio A de la estructura cristalina de la perovskita", que pueden variar fácilmente en incrementos de un 1% en su composición relativa, dice Buonassisi. "El número de pasos se vuelve absurdo. Se vuelve muy, muy grande" y, por tanto, poco práctico para buscar sistemáticamente. Cada paso implica el complejo proceso de síntesis de crear un nuevo material y luego probar su degradación, que incluso en condiciones de envejecimiento acelerado es un proceso que lleva mucho tiempo.

La clave del éxito del equipo es lo que describen como un enfoque de fusión de datos. Este método iterativo utiliza un sistema automatizado para guiar la producción y las pruebas de una variedad de formulaciones, y luego utiliza el aprendizaje automático para revisar los resultados de esas pruebas, combinados de nuevo con el modelado físico de primeros principios, para guiar la siguiente ronda de experimentos. El sistema sigue repitiendo ese proceso, refinando los resultados cada vez.

A Buonassisi le gusta comparar el vasto reino de las composiciones posibles con un océano, y dice que la mayoría de los investigadores se han mantenido muy cerca de las orillas de las formulaciones conocidas que han logrado altas eficiencias, por ejemplo, retocando ligeramente esas configuraciones atómicas. Sin embargo, "de vez en cuando, alguien comete un error o tiene un golpe de genio y se aleja de eso y aterriza en otro lugar del espacio de composición, y oye, ¡funciona mejor! Un poco de serendipia feliz, y entonces todo el mundo se mueve hacia allí" en su investigación. "Pero no suele ser un proceso de pensamiento estructurado".

Este nuevo enfoque, dice, proporciona una manera de explorar áreas lejanas en busca de mejores propiedades, de una manera más sistemática y eficiente. En su trabajo hasta ahora, sintetizando y probando menos del 2 por ciento de las posibles combinaciones entre tres componentes, los investigadores pudieron dar con lo que parece ser la formulación más duradera de un material de célula solar de perovskita encontrada hasta la fecha.

"Esta historia trata realmente de la fusión de todos los diferentes conjuntos de herramientas" utilizados para encontrar la nueva formulación, dice Sun, que coordinó el equipo internacional que llevó a cabo el trabajo, incluyendo el desarrollo de un sistema de prueba de degradación automatizado de alto rendimiento que supervisa la descomposición del material a través de sus cambios de color a medida que se oscurece. Para confirmar los resultados, el equipo fue más allá de la fabricación de un diminuto chip en el laboratorio e incorporó el material a una célula solar en funcionamiento.

"Otro punto de este trabajo es que realmente demostramos, desde la selección química hasta que realmente hacemos una célula solar al final", dice. "Y nos dice que las sustancias químicas sugeridas por el aprendizaje automático no sólo son estables en su forma independiente. También se puede trasladar a las células solares de la vida real, y se consigue una mayor fiabilidad". Algunas de sus demostraciones a escala de laboratorio lograron una longevidad hasta 17 veces mayor que la fórmula de referencia con la que empezaron, pero incluso la demostración de la célula completa, que incluye las interconexiones necesarias, duró más del triple que los materiales existentes, afirma.

Buonassisi afirma que el método desarrollado por el equipo también podría aplicarse a otras áreas de investigación de materiales que implican rangos de elección de composición igualmente amplios. "Realmente abre la puerta a un modo de investigación en el que se pueden producir estos breves y rápidos bucles de innovación, quizá a nivel de subcomponente o de material. Y luego, una vez que se da con la composición adecuada, se pasa a un bucle más largo que implica la fabricación de dispositivos, y se pone a prueba" en ese siguiente nivel.

"Una de las grandes promesas de este campo es poder realizar este tipo de trabajo", afirma. "Ver cómo se hace realidad fue uno de esos momentos [muy memorables]. Recuerdo el lugar exacto en el que me encontraba cuando recibí la llamada de Shijing sobre estos resultados: cuando empiezas a ver que estas ideas cobran vida. Fue realmente impresionante".

"Lo que resulta especialmente emocionante de [este] avance es que los autores utilizan la física para guiar la intuición del proceso [de optimización], en lugar de limitar el espacio de búsqueda con restricciones duras", afirma el profesor universitario Edward Sargent, de la Universidad de Toronto, especialista en nanotecnología, que no estuvo relacionado con esta investigación. "Este enfoque verá una amplia explotación a medida que el aprendizaje automático siga avanzando hacia la resolución de problemas reales en la ciencia de los materiales".

En el equipo participaron investigadores del MIT, el Instituto Helmholz de Alemania, la Escuela de Minas de Colorado, el Laboratorio Nacional de Brookhaven de Nueva York, la Alianza Singapur-MIT para la Investigación y la Tecnología y el Instituto de Materiales para la Electrónica y la Tecnología Energética de Erlangen (Alemania). El trabajo ha contado con el apoyo de DARPA, Total SA, la National Science Foundation y el programa Skoltech NGP.