211service.com
Avance rápido
El laboratorio fotovoltaico de Tonio Buonassisi está acelerando el desarrollo de nuevos materiales para células solares utilizando aprendizaje automático, robots y un buen trabajo en equipo a la antigua.
27 de abril de 2021
Este robot químico con el que trabaja el profesor Tonio Buonassisi en Singapur utiliza el aprendizaje automático para mezclar productos químicos en muestras. Zakaria Zainal
Si queremos reducir el uso de combustibles fósiles lo suficiente como para evitar que el mundo se caliente de manera catastrófica, debemos extraer mucha más energía del sol. Varios grupos de expertos, incluido el Panel Intergubernamental sobre el Cambio Climático, han llegado a la conclusión de que para 2030 necesitaremos obtener aproximadamente un tercio de la electricidad mundial de fuentes solares.
En este momento, con menos de una década para el final, estamos en aproximadamente una décima parte de eso, dice Tonio Buonassisi , profesor de ingeniería mecánica y director del Instituto Laboratorio Fotovoltaico . Para alcanzar el objetivo, tendremos que acelerar drásticamente el despliegue de energía solar .
La unidad de pipeteo de alto rendimiento del robot químico de Buonassisi combina colorantes alimentarios rojos, azules y amarillos para crear colores específicos.
ZAKARIA ZAINALCon eso en mente, el laboratorio fotovoltaico se ha reconfigurado continuamente en los últimos años a medida que Buonassisi y sus colegas traen todo lo que se les ocurre que podría acelerar la búsqueda de nuevos materiales solares. Han probado de todo, desde cronómetros y pruebas de personalidad hasta algoritmos de aprendizaje automático y robots de pipeteo.
El resultado es un ritmo de laboratorio mucho más rápido. Han condensado procesos que antes tomaban seis meses o un año en dos semanas; el análisis de espectros de difracción de rayos X que antes requería de dos a tres horas ahora se puede realizar en 5,5 minutos. En este momento, todo se trata de velocidad, dice Buonassisi.
Más allá del silicio
El PV Lab comenzó a trabajar con algoritmos de aprendizaje automático en 2012. No pensamos en ellos como esta forma completamente nueva de hacer ciencia, dice Buonassisi. Pensamos en ellos como una herramienta de productividad. Pero en 2017, se dio cuenta de que la pregunta principal que el laboratorio estaba dando vueltas era demasiado compleja para responder a través de los medios tradicionales. Necesitaba cambiar la forma en que investigaba para abordarlo, dice.
Esa pregunta era cómo encontrar alternativas viables al silicio para su uso en la captura de energía solar. Actualmente, el 95% de las células solares del mundo confiar en los semiconductores de silicio . Este elemento es abundante, se encuentra en casi toda la tierra y la arena, y las células solares fabricadas con él son relativamente eficientes y resistentes. Su panel solar de silicio promedio puede convertir aproximadamente el 20% de la energía de la luz solar que lo golpea, y puede funcionar día tras día durante décadas sin averiarse.
Cuando está atascado en un modo de bajo rendimiento, tiende a ir a lo seguro. Si sabes que tienes más oportunidades, puedes ser más ambicioso.
Pero convertir el silicio en las finas obleas puras necesarias para estas células es caro, relativamente difícil y consume mucha energía. También suele requerir materiales más raros, como la plata. Los expertos, incluido Buonassisi, están trabajando para mejorar estos procesos. Pero si queremos que la energía solar sea una parte importante de la red, traer algunos materiales más fáciles de fabricar ampliará las posibilidades y, dice Buonassisi, podría acelerar la competencia, impulsando la innovación y bajando los precios en todos los ámbitos.
Una clase prometedora de materiales son las perovskitas, compuestos naturales y fabricados en laboratorio con una estructura cristalina que los convierte en buenos semiconductores. Las perovskitas son más simples y rápidas de fabricar que las obleas de silicio. Debido a que son compuestos en lugar de elementos, podría haber una gran cantidad de ellos que aún no se han creado, dice Jim Serdy, miembro de PV Lab. También se pueden apilar diferentes perovskitas dentro de una sola celda solar, para absorber diferentes longitudes de onda de luz y extraer más energía de cada rayo solar.
Si las perovskitas logran abrirse camino en el mercado de la energía solar, ese puede ser el camino crítico para satisfacer las necesidades energéticas del mundo de manera sostenible, dice Serdy. Pero que sea posible depende en gran medida de la rapidez con la que podamos descubrir estos nuevos compuestos y sus propiedades.
Territorio inexplorado
La gran cantidad de perovskitas es emocionante: podría haber miles que encajan bien con diferentes aplicaciones. Pero eso también hace que sea una tarea abrumadora buscar el material perfecto, uno que cumpla con la tarea deseada con la combinación correcta de estabilidad, eficiencia y rentabilidad, y que también se pueda fabricar fácilmente ya escala.
En el pasado, los científicos que intentaban descubrir o inventar un nuevo material comenzaban con algunas conjeturas fundamentadas. Crearían algunos materiales en el laboratorio, los probarían y luego usarían lo que aprendieron para volver a intentarlo. Encontrar solo una buena opción puede llevar un año o más. Estadísticamente hablando, es como los monos en una máquina de escribir: golpean hasta que escriben algo útil, dice Buonassisi.
Los investigadores del PV Lab todavía siguen este procedimiento básico. (El método científico no está pasando de moda, dice). Simplemente lo han turbocargado. Los algoritmos entrenados en el conocimiento teórico y los resultados previos les ayudan a hacer conjeturas más inteligentes. Y la experimentación de alto rendimiento y el análisis automatizado les permiten probar esas conjeturas más rápido y ejecutar muchas pruebas en paralelo. Con todos estos avances, podemos acelerar todo el proceso, dice el científico investigador Shijing Sun, líder del equipo del Programa de Desarrollo Acelerado de Materiales del laboratorio.
La investigación de alta eficiencia no solo acelera el ritmo del descubrimiento, sino que también hace que las personas sean más audaces, dice Buonassisi. Cuando está atrapado en un modo de bajo rendimiento, tiende a ir a lo seguro, dice. Sin embargo, si sabe que tiene más oportunidades, puede ser mucho más ambicioso.
En el otoño de 2018, por ejemplo, el equipo de Sun comenzó a buscar perovskitas más estables. (Aunque algunas celdas solares de perovskita ahora son tan eficientes como las de silicio, tienden a ser más propensas a la degradación). Comenzaron identificando lo que llaman su espacio de búsqueda, en este caso un grupo de 5000 materiales diferentes posibles para evaluar: todas las combinaciones de cesio, metilamonio, formamidinio y yoduro de plomo, mezclados en diferentes proporciones y sintetizados de diferentes maneras.
El científico investigador Shijing Sun y Buonassisi en el laboratorio fotovoltaico en 2019.
JUAN FREIDAHPara su primera ronda de investigación experimental, el grupo le pidió a un algoritmo que seleccionara 28 materiales que proporcionaron una amplia muestra de las posibilidades, dice Sun. Después de sintetizar estos materiales, el equipo los sometió a herramientas y técnicas de alto rendimiento desarrolladas por Serdy y uno de los asociados técnicos del laboratorio, Janak Thapa. Estas herramientas les permiten probar la estabilidad de los materiales rápidamente al exponerlos a altas temperaturas, alta humedad e iluminación, versiones mejoradas de las condiciones que podrían experimentar en una azotea soleada.
Básicamente, los estamos poniendo en una sauna, dice Armi Tiihonen, investigadora postdoctoral en el laboratorio. Apuntábamos a una aceleración extrema, para que los materiales se degradaran rápidamente, porque no queríamos perder meses de tiempo.
Para medir su estabilidad, el equipo enfocó cámaras en los materiales, configuradas para tomar fotos cada cinco minutos. Las perovskitas cambian de color a medida que se descomponen y, a menudo, se desvanecen de un color casi negro a un amarillo pálido. Después de que las muestras pasaron unos cinco días en la sauna, el equipo analizó las fotos para determinar la tasa de degradación de cada material. (También analizaron algunas de las muestras más profundamente usando difracción de rayos X, para confirmar las observaciones visuales y ver cómo cambiaba la estructura de los materiales a medida que se degradaban).
Luego, devolvieron estos resultados al primer algoritmo y le pidieron que eligiera 28 materiales más, algunos similares a los que habían tenido más éxito en la etapa experimental, y algunos de partes del espacio que permanecían sin explorar.
Incluso los científicos de materiales más experimentados tendrían problemas para hacer ese tipo de decisión, dice Sun. Puedo tomar una decisión si tenemos 10 materiales, dice ella. Si tenemos 5000 materiales, realmente no puedo pensar en qué hacer a continuación.
El equipo pasó por este ciclo varias veces: eligió materiales a través del algoritmo, creó y probó muestras en el mundo real y proporcionó comentarios al algoritmo. Al final de la cuarta ronda, encontraron un grupo de materiales que eran 17 veces más estables que la perovskita más utilizada, así como tres veces más estables que el poseedor del récord anterior del laboratorio, que habían encontrado a través de medios más tradicionales. . (Sus hallazgos y métodos fueron publicados en febrero por la revista Matter).
Otros proyectos de PV Lab han tenido un éxito similar. En 2019, el equipo de Sun se propuso encontrar perovskitas sin plomo. Identificaron dos materiales que eran completamente nuevos, junto con cuatro que nunca antes se habían fabricado en la forma de película delgada necesaria para su uso en células solares. En el pasado, probablemente nos hubiera llevado más de un año, dice Buonassisi. Con los nuevos métodos, se hicieron en dos meses.
En otro experimento, una celda solar de perovskita construida con uno de estos nuevos materiales demostró ser más estable en condiciones ambientales adversas que la mejor que habían fabricado con sus métodos anteriores, lo que demuestra que las mejoras en estos materiales individuales se trasladan a los dispositivos solares que se hacen con ellos.
El equipo está fusionando la simulación y el experimento para identificar y probar rápidamente materiales prometedores, dice Buonassisi. Nos estamos acercando cada vez más al punto de poder imaginar algo y luego poder realizarlo en la vida real.
La vida en el carril rápido
Los investigadores del laboratorio fotovoltaico toman con calma el ritmo cada vez mayor. En 2020, después de 10 años de estudiar y trabajar en ciencia de banco, Thapa comenzó a profundizar en el aprendizaje automático; a finales de año, había sido coautor de su primer artículo sobre el tema.
La personalidad del laboratorio es la adaptabilidad, dice; los miembros aprenden a hacer lo que el grupo necesita. Eso es cierto incluso para los estudiantes universitarios del laboratorio. El objetivo es que cualquier estudiante que llegue aprenda cómo estar en un proyecto y en un equipo, y ser un miembro completo y contribuyente de la comunidad STEM, dice Sara Bonner, administradora del programa del laboratorio.
Estos objetivos pueden conducir a prácticas inusuales. Hace años, para averiguar dónde podían ahorrar tiempo, el laboratorio tomó prestada una herramienta de las fábricas de principios del siglo XX: Literalmente, teníamos personas con cronómetros, observando cada paso del proceso de laboratorio y cronometrándolo, dice Buonassisi. Sobre la base de este análisis, optimizaron sus métodos e invirtieron en nuevos equipos. Mejoraron su eficiencia de preparación de muestras en un 350 %, pasando de 28 minutos por muestra en 2015 a alrededor de ocho en 2018.
Más recientemente, pidió a todos en el laboratorio que hicieran pruebas de personalidad, para que pudieran aprender a desarrollar las fortalezas de los demás y trabajar mejor juntos. Él ve estos ejercicios como inversiones. Si dedicamos tiempo a desarrollar este conjunto de herramientas que nos permite trabajar de manera más productiva, entonces podemos resolver 10 veces más problemas, dice.
Cuando hay mucho en juego, un ritmo vertiginoso puede ser un alivio. Al comienzo de su carrera, dice Tiihonen, el trabajo era tan lento que sus metas siempre parecían estar fuera de su alcance. Pero ahora ella y sus colegas pueden lograr lo que queremos.
A Sun le gusta la forma en que las nuevas técnicas le permiten expandir su área de especialización; mientras que en el pasado el equipo podría haberse centrado en un parámetro o una clase de perovskitas, ahora tienen la oportunidad de poder participar en más proyectos y acercarse realmente al material de las células solares de sus sueños, dice ella.
El equipo sigue buscando cuellos de botella en el proceso y ampliándolos como puede. Durante los últimos años, Buonassisi ha pasado mucho tiempo en Singapur como parte de la Alianza Singapur-MIT para la Investigación y la Tecnología. Allí y en el MIT, está comenzando a incorporar robots que pueden realizar algunos de los pasos en la línea de investigación del laboratorio. En Singapur, por ejemplo, un robot de formulación mezcla diferentes productos químicos en las composiciones requeridas para la fabricación de muestras de manera más rápida y precisa de lo que un investigador podría pipetearlas minuciosamente. Puede realizar los pasos físicos esenciales entre cuatro y diez veces más rápido que una persona, y su precisión ayuda a mejorar la reproducibilidad. Además, este robot se puede controlar de forma remota, por lo que los miembros del laboratorio o los colaboradores en cualquier lugar pueden poner en cola trabajos y ejecutarlos, dice Buonassisi. Mientras tanto, él y algunos colaboradores también están trabajando en una herramienta de muy alto rendimiento que ayudará a los investigadores en su laboratorio del MIT a buscar aún más posibilidades a la vez.
Aunque las máquinas pueden ser más rápidas, los humanos generalmente son más adaptables. El uso de robots y herramientas similares cuando son útiles, en lugar de automatizar todo, permite que el laboratorio se acelere mientras conserva la flexibilidad producida por humanos que, según Buonassisi, es especialmente importante para la I + D en etapa inicial.
Pero la máxima aceleración, dice, se produce cuando otros adoptan estos métodos y los mejoran. El laboratorio fotovoltaico abre todo lo que hace, desde los algoritmos de búsqueda de estabilidad hasta los planos de las máquinas, para impulsar estas tecnologías y hacer que más personas se entusiasmen con ellas y trabajen en ellas, dice. No tenemos todo el tiempo del mundo para esperar.
Encontrar la receta perfecta
Una herramienta de investigación impulsada por IA
mira al pasado para encontrar mejores caminos
de hacer materiales.
A menudo, para seguir adelante, tenemos que mirar hacia atrás. Elsa Olivetti, profesora de desarrollo profesional de Esther y Harold E. Edgerton en el Departamento de Ciencia e Ingeniería de Materiales del MIT, y su laboratorio han estado trabajando en un conjunto de algoritmos. — o como a ella le gusta llamarlo, una tubería de ciencia de datos — que permite a los investigadores buscar en la literatura científica del pasado reciente para encontrar pistas sobre cómo construir las cosas que necesitamos para el futuro.
Elsa Olivetti
FOTO DE CORTESÍAEl grupo de Olivetti — que se centra en encontrar formas sostenibles y asequibles de diseñar y desarrollar materiales — siempre está a la caza de nuevas herramientas, dice. Hace unos años, estaba hablando con Gerbrand Ceder, entonces miembro de la facultad del MIT y creador del Proyecto de materiales. — una base de datos de información sobre materiales conocidos y previstos, que los investigadores pueden usar para encontrar compuestos que tengan las propiedades precisas que buscan, incluso si nunca antes se han fabricado.
Olivetti vio la oportunidad de ir más allá. Si bien saber qué hacer es un primer paso vital, cómo se hace el material es lo que se necesita saber en términos del impacto ambiental y económico, dice. En muchos casos, pensó, las personas ya han hecho el trabajo de hacer el material y han registrado y publicado meticulosamente los pasos involucrados y cómo fueron las cosas. ¿Por qué no aprovechar este recurso?
Digamos que se le ha encomendado la tarea de hacer un pastel de chocolate que se hornee rápidamente y use ingredientes asequibles. Puede comenzar desde cero: mezclar componentes, ajustar proporciones y hornear pastel tras pastel hasta que encuentre algo que funcione. También puede buscar libros de cocina antiguos, ver tutoriales en línea y hablar con amigos de confianza. Pero, ¿qué pasaría si tuviera una máquina que pudiera revisar millones de libros de cocina, videos y secciones de comentarios de sitios web de repostería, y compilar la información que encuentra en una nueva receta que se ajuste a sus propósitos?
Esto es esencialmente lo que hace la herramienta de Olivetti. Sus usuarios pueden querer hacer un electrolito de estado sólido para una batería de iones de litio, o un bajo contenido de carbono.
reemplazo de cemento de emisión. En lugar de tratar de leer y sintetizar el trabajo anterior en el área por su cuenta o con algunos colegas, pueden pedirle a la herramienta que revise la mayor cantidad de literatura a la que tenga acceso. — actualmente millones de papeles y patentes.
La herramienta de Olivetti combina algoritmos de procesamiento de lenguaje natural — que escanean los papeles para extraer información relevante — con redes neuronales, que recomiendan nuevas recetas basadas en lo que ha funcionado en el pasado. Busca información sobre el material en cuestión, pero también sobre diferentes materiales que pueden tener propiedades relacionadas.
Ha sido un desafío crear un conjunto de algoritmos que puedan destilar tantos documentos, cada uno con su vocabulario específico de dominio y peculiaridades estilísticas, en recetas útiles, dice Olivetti. Pero el esfuerzo ya está arrojando ideas inesperadas.
En 2019, ella y algunos colegas trabajaron con zeolitas, materiales porosos vitales para aplicaciones que van desde la catálisis industrial hasta la purificación del aire. El tamaño y la disposición de sus poros afectan para qué se pueden usar las zeolitas, pero no se sabía exactamente cómo controlar este atributo durante la síntesis. Al usar su algoritmo para analizar la literatura, Olivetti y sus colegas pudieron deducir los pasos cruciales para hacer que las zeolitas sean más o menos porosas. — utilizando los hallazgos combinados de investigadores anteriores para salvar a los futuros de interminables rondas de prueba y error.
Además de servir recetas existentes para materiales, un algoritmo como este podría ayudar a crear otras nuevas, dice Olivetti. Puede imaginar incorporar un paso de minería de texto en un flujo de trabajo como el de Buonassisi, para aportar una dimensión histórica a los intentos de síntesis de materiales impulsados por IA.
También puede ser posible, dice Olivetti, utilizar una tecnología similar para extraer temas generales del campo o comprender las tendencias emergentes. — Oportunidades geniales y amplias de las que apenas estamos comenzando a rascar la superficie.