Engenheiros recrutam IA para ajudar a expandir a fabricação avançada de células solares

Os materiais de perovskita seriam superiores ao silício em células fotovoltaicas, mas fabricar essas células em escala é um grande obstáculo. O aprendizado de máquina pode ajudar.

As perovskitas são uma família de materiais que atualmente são os principais candidatos a substituir potencialmente os fotovoltaicos solares à base de silício de hoje. Eles mantêm a promessa de painéis muito mais finos e leves, que podem ser feitos com rendimento ultra-alto à temperatura ambiente em vez de centenas de graus, e que são mais baratos e fáceis de transportar e instalar. Mas trazer esses materiais de experimentos controlados de laboratório em um produto que pode ser fabricado de forma competitiva tem sido uma longa luta.

Foto da célula solar por Nicholas Rolston, Stanford, e editada pelo MIT News.
Ilustração de perovskita por Christine Daniloff, MIT.

A fabricação de células solares baseadas em perovskita envolve a otimização de pelo menos uma dúzia de variáveis ​​de uma só vez, mesmo dentro de uma abordagem de fabricação específica entre muitas possibilidades. Mas um novo sistema baseado em uma nova abordagem de aprendizado de máquina pode acelerar o desenvolvimento de métodos de produção otimizados e ajudar a tornar realidade a próxima geração de energia solar.

O sistema, desenvolvido por pesquisadores do MIT e da Universidade de Stanford nos últimos anos, permite integrar dados de experimentos anteriores e informações baseadas em observações pessoais de trabalhadores experientes no processo de aprendizado de máquina. Isso torna os resultados mais precisos e já levou à fabricação de células de perovskita com eficiência de conversão de energia de 18,5%, um nível competitivo para o mercado atual.

A pesquisa é relatada no último dia 13, na revista Joule, em um artigo do professor de engenharia mecânica do MIT Tonio Buonassisi, do professor de ciência e engenharia de materiais de Stanford Reinhold Dauskardt, do recente assistente de pesquisa do MIT Zhe Liu, do doutorado de Stanford Nicholas Rolston e de três outros autores.


Continua depois da publicidade


As perovskitas são um grupo de compostos cristalinos em camadas definidos pela configuração dos átomos em sua rede cristalina. Existem milhares desses compostos possíveis e muitas maneiras diferentes de fazê-los. Embora a maior parte do desenvolvimento em escala de laboratório de materiais de perovskita use uma técnica de revestimento por rotação, isso não é prático para fabricação em larga escala, portanto, empresas e laboratórios em todo o mundo têm procurado maneiras de traduzir esses materiais de laboratório em um produto prático e fabricável.

“Sempre há um grande desafio quando você tenta pegar um processo em escala de laboratório e transferi-lo para algo como uma startup ou uma linha de fabricação”, diz Rolston, que agora é professor assistente na Arizona State University. A equipe analisou um processo que eles achavam ter o maior potencial, um método chamado processamento rápido de plasma em spray, ou RSPP.

O processo de fabricação envolveria uma superfície de rolo a rolo móvel, ou uma série de folhas, nas quais as soluções precursoras para o composto de perovskita seriam pulverizadas ou jateadas de tinta à medida que a folha rolava. O material passaria então para um estágio de cura, fornecendo uma saída rápida e contínua “com rendimentos maiores do que para qualquer outra tecnologia fotovoltaica”, diz Rolston.

“O verdadeiro avanço com esta plataforma é que ela nos permitiria escalar de uma maneira que nenhum outro material nos permitiu fazer”, acrescenta. “Mesmo materiais como o silício requerem um prazo muito maior devido ao processamento que é feito. Considerando que você pode pensar [nessa abordagem mais] como pintura em spray”.

Dentro desse processo, pelo menos uma dúzia de variáveis ​​podem afetar o resultado, algumas delas mais controláveis ​​do que outras. Estes incluem a composição dos materiais de partida, a temperatura, a umidade, a velocidade do caminho de processamento, a distância do bico usado para pulverizar o material em um substrato e os métodos de cura do material. Muitos desses fatores podem interagir entre si e, se o processo for ao ar livre, a umidade, por exemplo, pode ficar descontrolada. Avaliar todas as combinações possíveis dessas variáveis ​​por meio de experimentação é impossível, portanto, o aprendizado de máquina foi necessário para ajudar a orientar o processo experimental.

Mas, embora a maioria dos sistemas de aprendizado de máquina use dados brutos, como medições das propriedades elétricas e outras das amostras de teste, eles normalmente não incorporam a experiência humana, como observações qualitativas feitas pelos experimentadores das propriedades visuais e outras das amostras de teste, ou informações de outros experimentos relatados por outros pesquisadores. Assim, a equipe encontrou uma maneira de incorporar essas informações externas ao modelo de aprendizado de máquina, usando um fator de probabilidade baseado em uma técnica matemática chamada Otimização Bayesiana.

Usando o sistema, diz ele, “tendo um modelo que vem de dados experimentais, podemos descobrir tendências que não conseguíamos ver antes”. Por exemplo, eles inicialmente tiveram problemas para se ajustar a variações descontroladas de umidade em seu ambiente. Mas o modelo mostrou a eles “que poderíamos superar nossos desafios de umidade alterando a temperatura, por exemplo, e alterando alguns dos outros botões”.

O sistema agora permite que os experimentadores guiem seu processo muito mais rapidamente para otimizá-lo para um determinado conjunto de condições ou resultados necessários. Em seus experimentos, a equipe se concentrou em otimizar a saída de energia, mas o sistema também pode ser usado para incorporar simultaneamente outros critérios, como custo e durabilidade – alguns membros da equipe continuam trabalhando nisso, diz Buonassisi.

Os pesquisadores foram incentivados pelo Departamento de Energia dos Estados Unidos, que patrocinou o trabalho, a comercializar a tecnologia, e atualmente estão se concentrando na transferência de tecnologia para os fabricantes de perovskita existentes. “Estamos entrando em contato com as empresas agora”, diz Buonassisi, e o código que eles desenvolveram foi disponibilizado gratuitamente por meio de um servidor de código aberto. “Agora está no GitHub, qualquer um pode baixá-lo, qualquer um pode executá-lo”, diz ele. “Estamos felizes em ajudar as empresas a começar a usar nosso código”.

Várias empresas já estão se preparando para produzir painéis solares à base de perovskita, embora ainda estejam trabalhando nos detalhes de como produzi-los, diz Liu, que agora está na Northwestern Polytechnical University em Xi'an, na China. Ele diz que as empresas ainda não estão produzindo em larga escala, mas começando com aplicações menores e de alto valor, como placas solares integradas em edifícios, onde a aparência é importante. Três dessas empresas “estão no caminho ou estão sendo pressionadas por investidores a fabricar módulos retangulares de 1 metro por 2 metros [comparáveis ​​aos painéis solares mais comuns de hoje], dentro de dois anos”, diz ele.

"O problema é que eles não têm um consenso sobre qual tecnologia de fabricação usar", diz Liu. O método RSPP, desenvolvido em Stanford, “ainda tem boas chances” de ser competitivo, diz ele. E o sistema de aprendizado de máquina que a equipe desenvolveu pode ser importante para orientar a otimização de qualquer processo que seja usado.

“O objetivo principal era acelerar o processo, por isso exigia menos tempo, menos experimentos e menos horas humanas para desenvolver algo que fosse utilizável imediatamente, gratuitamente, para a indústria”, diz ele.

“O trabalho existente na fabricação de PV de perovskita orientada por aprendizado de máquina concentra-se amplamente no revestimento por rotação, uma técnica em escala de laboratório”, diz Ted Sargent, professor universitário da Universidade de Toronto, que não estava associado a este trabalho, que ele diz demonstrar “um fluxo de trabalho que é prontamente adaptado às técnicas de deposição que dominam a indústria de filmes finos. Apenas um punhado de grupos tem a experiência simultânea em engenharia e computação para impulsionar esses avanços.” Sargent acrescenta que essa abordagem “pode ser um avanço empolgante para a fabricação de uma família mais ampla de materiais”, incluindo LEDs, outras tecnologias fotovoltaicas e grafeno, “em resumo, qualquer indústria que use alguma forma de vapor ou deposição de vácuo”.