Célula solar de perovskita: composição química e energia de bandgap via aprendizado de máquina

Resumo

O crescimento exponencial nas publicações e aplicações das células fotovoltaicas de perovskita destaca sua relevância na conversão de energia e na mitigação das emissões de carbono. No período de 2009 a 2023, a eficiência dessas células evoluiu significativamente, passando de 3,9% para 25,7%. A capacidade adaptativa das estruturas perovskitas para a absorção do espectro solar e o deslocamento de corrente é fortemente influenciada pela energia da banda de gap, idealmente situada entre 1,3 e 1,7 eV. Embora diversas composições de perovskita possam atingir essa faixa de energia, as sínteses continuam sendo empíricas, apresentando desafios para a viabilidade experimental. Nesse contexto, a utilização de bancos de dados experimentais, fornecidos por pesquisadores globais, emerge como uma abordagem eficaz para acelerar e viabilizar a pesquisa das estruturas perovskitas destinadas a células fotovoltaicas. Este estudo empregou o banco de dados da plataforma MaterialsZone para alimentar algoritmos de aprendizado de máquina, concentrando-se nas técnicas de Máquina de Vetores de Suporte (SVM) e Floresta Aleatória (RF) para a predição de energia da banda de gap em uma composição específica de perovskita. Ao direcionar os experimentos de síntese para composições particulares, orientadas pelas predições dos modelos, é possível alcançar a energia da banda de gap desejada de maneira eficiente. Esse enfoque resulta em avanços mais rápidos na pesquisa, reduzindo os custos associados à síntese de perovskitas. O modelo RF apresentou um erro percentual médio de 5,13%, desvio padrão do erro percentual de 6,99%, e Erro Quadrático Médio (RMSE) de 0,119. Por outro lado, o SVM registrou um erro percentual médio de 4,05%, desvio padrão do erro percentual de 6,45%, e RMSE de 0,881. Os modelos desenvolvidos não apenas demonstram uma alta capacidade preditiva, mas também fundamentam o entendimento da relação entre a composição química e os valores de energia da banda de gap das perovskitas. Ao empregar algoritmos de aprendizado de máquina, este trabalho abre caminho para otimizações direcionadas, e ainda, impulsiona avanços substanciais na fabricação de células fotovoltaicas baseadas em perovskita.