TOTS 21

Roger Guimerà, investigador del Departament d’Enginyeria Química, ha participat a l’estudi. Foto: URV

Imagina que busques la configuració òptima per construir una cèl·lula solar orgànica feta de diferents polímers. Com començaries? La capa activa ha de ser molt gruixuda o molt fina? Necessita una quantitat gran o petita de cada polímer? Saber com predir la composició específica i el disseny de la cèl·lula que donaria lloc a una eficiència òptima és un dels principals problemes no resolts en el camp de la ciència de materials. Això es deu, en part, al fet que el comportament del dispositiu depèn de múltiples factors. Un equip investigador de la Universitat Rovira i Virgili (URV) especialitzat en Intel·ligència Artificial (IA) en col·laboració amb l’Institut de Ciència de Materials de Barcelona (ICMAB), especialistes en materials per a aplicacions energètiques, han treballat conjuntament per combinar dades experimentals amb algoritmes d’intel·ligència artificial i així permetre una capacitat de predicció del rendiment de les cèl·lules solars orgàniques sense precedents.

Els investigadors de l’ICMAB, dirigits per Mariano Campoy-Quiles, han generat múltiples conjunts de dades utilitzant un nou mètode experimental que els permet disposar d’un gran nombre de mostres en una de sola, la qual cosa accelera el procés en comparació amb els mètodes convencionals. A continuació, s’utilitzen models d’aprenentatge automàtic (machine learning) per aprendre d’aquests conjunts de dades i predir el rendiment d’encara més materials, com els nous semiconductors orgànics sintetitzats en el grup de Martin Heeney, investigador de l’Imperial College de Londres. Aquest estudi pot ser el primer de molts en el camp que combina la intel·ligència artificial i els experiments d’alt rendiment per predir les condicions òptimes de certs materials i dispositius.

L’obtenció de múltiples dades experimentals

Un dels factors clau d’aquest estudi és que els investigadors són capaços de generar grans conjunts de dades significatives amb un mínim esforç experimental. Aquest és un aspecte important per a l’èxit de la modelització de l’aprenentatge automàtic per obtenir models i prediccions precises i fiables.

Els investigadors utilitzen una metodologia basada en el cribratge combinatori en la qual generen mostres amb gradients en els paràmetres que més afecten el rendiment de les cèl·lules solars orgàniques (com ara, la composició i el gruix). “Quan s’utilitza un mètode convencional, una mostra proporciona informació sobre un sol punt. No obstant això, utilitzant la nostra metodologia podem obtenir entre 10 i 1.000 vegades més punts”, explica Mariano Campoy-Quiles, investigador de l’ICMAB i coautor de l’estudi. “Això ens permet, d’una banda, avaluar el potencial fotovoltaic d’un material unes 50 vegades més ràpid que amb els mètodes convencionals. De l’altra, proporciona gran quantitat d’estadístiques i un enorme conjunt de dades (centenars de milers de punts) que ens permeten entrenar de manera fiable diferents algorismes d’intel·ligència artificial”, afegeix.

Els algoritmes d’intel·ligència artificial per predir el comportament

“Dins de l’ampli camp de la intel·ligència artificial apliquem l’aprenentatge automàtic, que és un terme que recull tot tipus d’algoritmes que confereixen a les màquines (és a dir, als ordinadors) la capacitat d’aprendre a partir d’un determinat conjunt de dades, però no necessàriament de prendre decisions autònomes”, diu Xabier Rodríguez Martínez, investigador de l’ICMAB. “Aquí, explotem la visió més estadística de la intel·ligència artificial per extreure models predictius dels nostres amplis conjunts de dades experimentals” comenta.

Els algoritmes d’intel·ligència artificial en el camp de la ciència de materials s’utilitzen principalment per buscar patrons de comportament i per continuar desenvolupant models predictius del comportament d’una família de materials per a una aplicació determinada. Per a això, primer s’entrena un algorisme exposant-lo a dades reals per generar un algorisme model. Aleshores el model és validat amb altres punts de dades no utilitzades per crear el model, però de la mateixa categoria de materials. Una vegada validat, l’algoritme s’aplica per predir el comportament d’altres materials similars que no formen part del conjunt d’entrenament ni de validació.

En aquest estudi específic, els algoritmes de IA s’entrenen amb milers de punts obtinguts amb un mètode d’alt rendiment per avaluar i predir els diferents factors que determinen l’eficiència d’una cèl·lula solar orgànica. “L’ús d’algoritmes d’IA ha estat particularment desafiant en aquest cas”, explica Roger Guimerà, professor ICREA i investigador del Departament d’Enginyeria Química de la URV i coautor de l’estudi, “pel volum i la complexitat de les dades i perquè l’objectiu final és extrapolar a nous materials que no s’han provat mai”.

Assoliments i futurs reptes

Aquest estudi representa dos grans assoliments. D’una banda, el desenvolupament de models d’IA que prediuen com l’eficiència depèn de molts dels paràmetres de les cèl·lules solars orgàniques. El grau de predicció és molt alt, fins i tot per als materials que no han estat utilitzats en el conjunt inicial d’entrenament de l’algoritme. “El segon punt important és que, gràcies a la IA, hem determinat quins són els paràmetres físics que afecten en major mesura aquest comportament” diu Mariano Campoy-Quiles, i afegeix: “En particular, hem vist que els paràmetres més crítics que determinen la composició òptima són la banda prohibida electrònica de cada material, i com l’equilibri de càrregues en cadascun d’ells”.

Els investigadors creuen que els resultats i la metodologia desenvolupada en aquest estudi són clau per orientar els investigadors teòrics sobre el que s’ha de tenir en compte a l’hora de desenvolupar futurs models d’anàlisi que intentin determinar l’eficiència d’un sistema determinat. “El nostre proper desafiament és comprendre sistemes molt més complexos. Com més complex sigui el sistema, més útil pot ser la IA”, conclou Campoy-Quiles.

Redacció