Estratègies d'intel·ligència artificial per accelerar la recerca en la nova generació de tecnologies fotovoltaiques

El cicle de desenvolupament de noves tecnologies basades en materials normalmente triga entre 15 i 25 anys a causa de la creixent complexitat dels processos de recerca experimentals. Accelerar aquest procés és essencial per permetre la implementació a gran escala de tecnologies sostenibles que donin suport a la transició energètica, en la qual les tecnologies fotovoltaiques (PV), en particular les noves tecnologies fotovoltaiques de capa fina (TFPV), tenen un paper central. Els recents avenços en intel·ligència artificial (IA), intel·ligència artificial explicable (XAI), robòtica i automatització han establert un nou paradigma: la ciència de materials basada en dades, capaç d’accelerar el descobriment i l’optimització de materials. No obstant això, l’aplicació de la XAI a conjunts de dades experimentals reals de caracterització segueix sent limitada, i traduir les sortides dels models d’aprenentatge automàtic (ML) en informació amb significat físic continua sent un repte important.

Aquesta tesi aborda aquest repte desenvolupant estratègies basades en IA per a l’anàlisi i la interpretació de dades experimentals de caracterització, seguint un marc d’interpretabilitat proposat, orientat tant a accelerar la recerca com a millorar l’explicabilitat dels models de ML. El treball comença implementant i optimitzant diferents estratègies d’entrenament per a xarxes neuronals generatives utilitzant datasets de referència, cosa que proporciona una base general per a la implementació de ML en datasets experimentals. Posteriorment, s’introdueix un primer enfocament basat en XAI per a dispositius TFPV basats en kesterita, que demostra el potencial dels models de ML interpretables per identificar correlacions entre les propietats fisicoquímiques dels materials i el rendiment fotovoltaic dels dispositius.

Finalment, aquesta progressió culmina en la implementación d’una metodologia integrada basada en XAI per analitzar datasets multimodals obtinguts de la caracterització holística de cèl·lules solars de kesterita, cobrint tot el cicle de recerca, des de la síntesi i la caracterització fins a la interpretació i l’extracció d’informació rellevant. La metodologia identifica les propietats fisicoquímiques que governen el rendiment i la reproductibilitat dels dispositius, relacionant les regions espectrals rellevants amb les propietats físiques corresponents. Aquesta informació es validada experimentalment mitjançant processos de fabricació modificats, cosa que millora el rendiment dels dispositius, i redueix els cicles d’optimització de més d’un any a menys d’una setmana.

En conjunt, el treball mostra com una IA transparent i amb significat físic pot accelerar el desenvolupament de nous materials, contribuir al desenvolupament d’estratègies de laboratoris autònoms i, en darrer terme, donar suport a la transició energètica.