Avanti veloce

Il laboratorio di fotovoltaico di Tonio Buonassisi sta accelerando lo sviluppo di nuovi materiali per celle solari utilizzando l'apprendimento automatico, i robot e il buon vecchio lavoro di squadra.

Di

• Cara Giaimo, SM '15 pagina di archivio

27 aprile 2021

Questo chimico robot con cui lavora il professor Tonio Buonassisi a Singapore utilizza l'apprendimento automatico per mescolare sostanze chimiche nei campioni. Zakaria Zainal

Se vogliamo ridurre l'uso di combustibili fossili a sufficienza da impedire al mondo di riscaldarsi in modo catastrofico, dobbiamo estrarre molta più energia dal sole. Diversi gruppi di esperti, tra cui il Gruppo intergovernativo di esperti sui cambiamenti climatici, hanno concluso che entro il 2030 dovremo ottenere circa un terzo dell'elettricità mondiale da fonti solari.

In questo momento, a meno di un decennio dalla fine, siamo a circa un decimo, dice Tonio Buonassisi , professore di ingegneria meccanica e capo dell'Istituto Laboratorio di fotovoltaico . Per raggiungere l'obiettivo, dovremo accelerare notevolmente il dispiegamento di energia solare .

L'unità di pipettaggio ad alta produttività del chimico robot di Buonassisi combina coloranti alimentari rossi, blu e gialli per creare colori specifici.

ZAKARIA ZAINAL

Con questo in mente, il PV Lab è stato continuamente riconfigurato negli ultimi anni, poiché Buonassisi e i suoi colleghi hanno apportato tutto ciò a cui possono pensare che potrebbe accelerare la ricerca di nuovi materiali solari. Hanno provato di tutto, dai cronometri ai test della personalità, agli algoritmi di apprendimento automatico e ai robot di pipettaggio.

Il risultato è un ritmo di laboratorio di ordini di grandezza più veloce. Hanno condensato processi che una volta richiedevano sei mesi o un anno in due settimane; l'analisi degli spettri di diffrazione dei raggi X che una volta richiedeva da due a tre ore può ora essere eseguita in 5,5 minuti. In questo momento è tutta una questione di velocità, dice Buonassisi.

Oltre il silicio

Il PV Lab ha iniziato a lavorare con algoritmi di apprendimento automatico nel 2012. Non li consideravamo un modo completamente nuovo di fare scienza, dice Buonassisi. Abbiamo pensato a loro solo come uno strumento di produttività. Ma nel 2017 si è reso conto che la domanda principale su cui girava il laboratorio era troppo complessa per poter rispondere con i mezzi tradizionali. Avevo bisogno di cambiare il modo in cui facevo la ricerca per affrontarlo, dice.

La domanda era come trovare valide alternative al silicio da utilizzare per catturare l'energia solare. Al momento, il 95% delle celle solari del mondo affidarsi a semiconduttori di silicio . Questo elemento è abbondante, presente in quasi tutto lo sporco e la sabbia, e le celle solari realizzate con esso sono relativamente efficienti e resistenti. Il tuo pannello solare medio al silicio può convertire circa il 20% dell'energia dalla luce solare che lo colpisce e può funzionare giorno dopo giorno per decenni senza rompersi.

Quando sei bloccato in una modalità di bassa velocità, tendi a giocare sul sicuro. Se sai di avere più possibilità, puoi essere più ambizioso.

Ma trasformare il silicio nei sottili wafer puri necessari per queste celle è costoso, relativamente difficile e ad alta intensità energetica. Spesso richiede anche materiali più rari, come l'argento. Esperti, tra cui Buonassisi, stanno lavorando per migliorare questi processi. Ma se vogliamo rendere il solare una parte importante della rete, l'introduzione di alcuni materiali più facili da produrre amplierà le possibilità e, afferma Buonassisi, potrebbe accelerare la concorrenza, spingendo l'innovazione verso l'alto e riducendo i prezzi su tutta la linea.

Una promettente classe di materiali sono le perovskiti, composti naturali e di laboratorio con una struttura cristallina che li rende buoni semiconduttori. Le perovskiti sono più semplici e veloci da produrre rispetto ai wafer di silicio. Poiché sono composti piuttosto che elementi, potrebbe essercene un numero enorme che deve ancora essere creato, afferma Jim Serdy, membro del PV Lab. Diverse perovskiti possono anche essere impilate all'interno di una singola cella solare, per assorbire diverse lunghezze d'onda della luce e spremere più energia da ciascun raggio di sole.

Se le perovskiti riescono a farsi strada nel mercato dell'energia solare, questo potrebbe essere il percorso critico per soddisfare il fabbisogno energetico mondiale in modo sostenibile, afferma Serdy. Ma se sia possibile dipende molto dalla velocità con cui possiamo scoprire questi nuovi composti e le loro proprietà.

Territorio non mappato

L'enorme numero di perovskiti è eccitante: potrebbero essercene migliaia là fuori che si adattano bene a diverse applicazioni. Ma ciò rende anche un compito arduo la ricerca del materiale perfetto, uno che svolga il compito desiderato con la giusta combinazione di stabilità, efficienza ed economicità e che possa anche essere prodotto facilmente e su larga scala.

In passato, gli scienziati che tentavano di scoprire o inventare un nuovo materiale partivano da alcune ipotesi plausibili. Creerebbero alcuni materiali in laboratorio, li testeranno e poi userebbero ciò che hanno imparato per riprovare. Trovare una sola buona opzione potrebbe richiedere un anno o più. Statisticamente è come le scimmie alla macchina da scrivere, che sbattono finché non gli capita di scrivere qualcosa di utile, dice Buonassisi.

I ricercatori del PV Lab seguono ancora questa procedura di base. (Il metodo scientifico non sta passando di moda, dice.) L'hanno appena sovralimentato. Gli algoritmi addestrati sulle conoscenze teoriche e sui risultati precedenti li aiutano a fare ipotesi più intelligenti. E la sperimentazione ad alto rendimento e l'analisi automatizzata consentono loro di testare queste ipotesi più velocemente ed eseguire molti test in parallelo. Con tutti questi progressi, siamo in grado di accelerare l'intero processo, afferma il ricercatore Shijing Sun, team leader per il programma di sviluppo di materiali accelerati del laboratorio.

La ricerca ad alta efficienza non solo accelera il ritmo della scoperta, ma rende anche le persone più audaci, afferma Buonassisi. Quando sei bloccato in una modalità di bassa produttività, tendi a giocare sul sicuro, dice. Se sai di avere più possibilità, però, puoi essere molto più ambizioso.

Nell'autunno del 2018, ad esempio, il team di Sun ha iniziato a cercare perovskiti più stabili. (Sebbene alcune celle solari in perovskite siano ora efficienti quanto quelle in silicio, tendono ad essere più inclini al degrado.) Hanno iniziato identificando quello che chiamano il loro spazio di ricerca, in questo caso un gruppo di 5.000 diversi materiali possibili da valutare, tutte combinazioni di cesio, metilammonio, formamidinio e ioduro di piombo, miscelati in proporzioni diverse e sintetizzati in modi diversi.

Il ricercatore Shijing Sun e Buonassisi nel PV Lab nel 2019.

GIOVANNI FREIDA

Per il loro primo round di indagine sperimentale, il gruppo ha chiesto a un algoritmo di selezionare 28 materiali che fornissero un ampio campione delle possibilità, afferma Sun. Dopo aver sintetizzato questi materiali, il team li ha sottoposti a strumenti e tecniche ad alta produttività sviluppati da Serdy e uno dei tecnici associati del laboratorio, Janak Thapa. Questi strumenti consentono loro di testare rapidamente la stabilità dei materiali esponendoli a temperature elevate, umidità elevata e illuminazione, versioni potenziate delle condizioni che potrebbero sperimentare su un tetto soleggiato.

Fondamentalmente li stiamo mettendo in una sauna, afferma Armi Tiihonen, ricercatore post-dottorato in laboratorio. Puntavamo ad un'accelerazione estrema, per far degradare velocemente i materiali, perché non volevamo perdere mesi di tempo.

Per misurare la loro stabilità, il team ha addestrato le telecamere sui materiali, impostate per scattare foto ogni cinque minuti. Le perovskiti cambiano colore man mano che si decompongono, spesso sbiadendo dal quasi nero al giallo pallido. Dopo che i campioni hanno trascorso circa cinque giorni nella sauna, il team ha analizzato le foto per determinare il tasso di degrado di ciascun materiale. (Hanno anche analizzato alcuni dei campioni in modo più approfondito utilizzando la diffrazione dei raggi X, per confermare le osservazioni visive e vedere come la struttura dei materiali è cambiata mentre si degradavano.)

Quindi hanno riportato questi risultati al primo algoritmo e gli hanno chiesto di selezionare altri 28 materiali, alcuni simili a quelli che avevano avuto maggior successo nella fase sperimentale e altri da parti dello spazio che erano rimaste inesplorate.

Anche gli scienziati dei materiali più esperti avrebbero difficoltà a fare questo tipo di chiamate, dice Sun. Posso prendere una decisione se abbiamo 10 materiali, dice. Se abbiamo 5.000 materiali, non riesco davvero a pensare a cosa fare dopo.

Il team ha attraversato questo ciclo alcune volte, scegliendo i materiali tramite l'algoritmo, creando e testando campioni nel mondo reale e fornendo feedback all'algoritmo. Entro la fine del quarto round, avevano trovato un ammasso di materiali che era 17 volte più stabile della perovskite più comunemente usata, nonché tre volte più stabile del precedente detentore del record del laboratorio, che avevano trovato con mezzi più tradizionali . (I loro risultati e metodi sono stati pubblicati a febbraio dalla rivista Matter.)

Altri progetti PV Lab hanno avuto un successo simile. Nel 2019, il team di Sun ha deciso di trovare perovskiti senza piombo. Hanno identificato due materiali che erano completamente nuovi, insieme a quattro che non erano mai stati realizzati prima nella forma a film sottile necessaria per l'uso nelle celle solari. Probabilmente in passato ci sarebbe voluto più di un anno, dice Buonassisi. Con i nuovi metodi, sono stati fatti in due mesi.

In un altro esperimento, una cella solare di perovskite costruita con uno di questi nuovi materiali si è rivelata più stabile in condizioni ambientali difficili rispetto alla migliore mai realizzata con i loro metodi precedenti, dimostrando che i miglioramenti in questi singoli materiali si traducono nei dispositivi solari che sono fatti con loro.

Il team sta fondendo insieme la simulazione e l'esperimento per identificare e testare rapidamente materiali promettenti, afferma Buonassisi. Ci stiamo avvicinando sempre di più al punto di poter immaginare qualcosa e poi di poterlo realizzare nella vita reale.

La vita in corsia di sorpasso

I ricercatori del PV Lab prendono il passo sempre più veloce. Nel 2020, dopo 10 anni di studio e lavoro in scienze da banco, Thapa ha iniziato ad approfondire l'apprendimento automatico; entro la fine dell'anno era coautore del suo primo articolo sull'argomento.

La personalità del laboratorio è l'adattabilità, dice; i membri imparano a fare tutto ciò di cui il gruppo ha bisogno. Questo è vero anche per gli studenti universitari del laboratorio. L'obiettivo è che ogni studente che arriva impari come far parte di un progetto ed essere in una squadra, ed essere un membro a tutto tondo e contribuente della comunità STEM, afferma Sara Bonner, amministratore del programma del laboratorio.

Questi obiettivi possono portare a pratiche insolite. Anni fa, per capire dove potevano risparmiare tempo, il laboratorio ha preso in prestito uno strumento dalle fabbriche dell'inizio del XX secolo: avevamo letteralmente persone con cronometri, che osservavano ogni fase del processo di laboratorio e lo cronometravano, dice Buonassisi. Sulla base di questa analisi, hanno ottimizzato i loro metodi e investito in nuove attrezzature. Hanno migliorato l'efficienza della preparazione dei campioni del 350%, passando da 28 minuti per campione nel 2015 a circa otto nel 2018.

Più di recente, ha chiesto a tutti in laboratorio di fare dei test della personalità, in modo che potessero imparare a sfruttare i punti di forza l'uno dell'altro e lavorare insieme meglio. Vede questi esercizi come investimenti. Se dedichiamo il tempo allo sviluppo di questo set di strumenti che ci consente di lavorare in modo più produttivo, allora possiamo risolvere 10 volte più problemi, dice.

Quando la posta in gioco è alta, un ritmo vertiginoso può effettivamente essere un sollievo. All'inizio della sua carriera, dice Tiihonen, il lavoro era così lento che i suoi obiettivi sembravano sempre irraggiungibili. Ma ora lei e i suoi colleghi possono effettivamente ottenere ciò che vogliamo.

A Sun piace il modo in cui le nuove tecniche le consentono di espandere la sua area di competenza: laddove in passato il team si sarebbe concentrato su un parametro o su una classe di perovskiti, ora hanno l'opportunità di essere in grado di entrare in più progetti e avvicinarsi davvero a quel materiale di celle solari da sogno, dice.

Il team continua a cercare i colli di bottiglia nel processo e ad ampliarli come può. Negli ultimi anni Buonassisi ha trascorso molto tempo a Singapore come parte della Singapore-MIT Alliance for Research and Technology. Lì e al MIT, sta iniziando a incorporare robot in grado di eseguire alcuni dei passaggi nella pipeline di ricerca del laboratorio. A Singapore, ad esempio, un robot per la formulazione mescola diverse sostanze chimiche nelle composizioni necessarie per la preparazione dei campioni in modo più rapido e preciso di quanto un ricercatore possa pipettare meticolosamente. Può fare i passi fisici più profondi da quattro a 10 volte più velocemente di una persona e la sua precisione aiuta a migliorare la riproducibilità. Inoltre, questo robot può essere controllato a distanza, quindi i membri del laboratorio o i collaboratori ovunque possono mettere in coda i lavori ed eseguirli, afferma Buonassisi. Nel frattempo, lui e alcuni collaboratori stanno anche lavorando a uno strumento ad altissima produttività che aiuterà i ricercatori nel suo laboratorio del MIT a cercare ancora più possibilità contemporaneamente.

Sebbene le macchine possano essere più veloci, gli esseri umani sono generalmente più adattabili. L'uso di robot e strumenti simili quando sono utili, anziché automatizzare tutto, consente al laboratorio di accelerare preservando la flessibilità prodotta dall'uomo che secondo Buonassisi è particolarmente importante per la ricerca e lo sviluppo nelle fasi iniziali.

Ma l'accelerazione finale, dice, arriva quando gli altri adottano questi metodi e li migliorano. Il PV Lab rende open source tutto ciò che fa, dagli algoritmi di ricerca della stabilità ai progetti per le macchine, al fine di far uscire queste tecnologie e far sì che più persone siano entusiaste di esse e che ci lavorino, dice. Non abbiamo tutto il tempo del mondo per aspettare.

---

Trovare la ricetta perfetta

Uno strumento di ricerca basato sull'intelligenza artificiale
guarda al passato per trovare modi migliori
di fare materiali.

Spesso, per andare avanti, dobbiamo guardare dietro di noi. Elsa Olivetti, Esther e Harold E. Edgerton Career Development Professor presso il Dipartimento di Scienza e Ingegneria dei Materiali del MIT, e il suo laboratorio hanno lavorato su una serie di algoritmi — o come le piace chiamarla, una pipeline di data science — che consente ai ricercatori di cercare nella letteratura scientifica del recente passato per trovare indizi su come costruire le cose di cui abbiamo bisogno per il futuro.

Elsa Olivetti

FOTO DI CORTESIA

Il gruppo dell'Olivetti — che si concentra sulla ricerca di modi sostenibili e convenienti per progettare e sviluppare materiali — è sempre alla ricerca di nuovi strumenti, dice. Alcuni anni fa, stava parlando con Gerbrand Ceder, allora membro della facoltà del MIT e creatore del Materials Project — un database di informazioni sui materiali noti e previsti, che i ricercatori possono utilizzare per trovare composti che hanno le proprietà precise che stanno cercando, anche se non sono mai stati realizzati prima.

Olivetti ha visto un'opportunità per andare oltre. Mentre sapere cosa fare è un primo passo fondamentale, come si fa il materiale è ciò che bisogna sapere in termini di impatto ambientale ed economico, dice. In molti casi, ha pensato, le persone hanno già svolto il lavoro di realizzazione del materiale e hanno meticolosamente registrato e pubblicato quali passaggi sono stati coinvolti e come sono andate le cose. Perché non sfruttare questa risorsa?

Supponiamo che ti sia stato affidato il compito di realizzare una torta al cioccolato che si cuoce rapidamente e utilizza ingredienti a prezzi accessibili. Potresti iniziare da zero: mescolare i componenti, modificare i rapporti e cuocere una torta dopo l'altra finché non trovi qualcosa che funziona. Potresti anche sfogliare vecchi libri di cucina, guardare tutorial online e parlare con amici fidati. Ma cosa accadrebbe se avessi una macchina in grado di esaminare milioni di libri di cucina, video e sezioni di commenti di siti Web di pasticceria e raccogliere le informazioni trovate in una nuova ricetta adatta ai tuoi scopi?

Questo è essenzialmente ciò che fa lo strumento Olivetti. I suoi utenti potrebbero voler realizzare un elettrolita a stato solido per una batteria agli ioni di litio o un
sostituzione del cemento ad emissione. Piuttosto che cercare di leggere e sintetizzare il lavoro passato nell'area da soli o con pochi colleghi, possono chiedere allo strumento di esaminare tutta la letteratura a cui ha accesso — attualmente milioni di carte e brevetti.

Lo strumento di Olivetti combina algoritmi di elaborazione del linguaggio naturale — che scansionano i documenti per estrarre informazioni rilevanti — con le reti neurali, che consigliano nuove ricette basate su ciò che ha funzionato in passato. Cerca informazioni sul materiale in questione, ma anche su diversi materiali che possono avere proprietà correlate.

È stato difficile creare una serie di algoritmi in grado di distillare così tanti documenti, ciascuno con il proprio vocabolario specifico del dominio e stranezze stilistiche, in ricette utili, afferma Olivetti. Ma lo sforzo sta già restituendo intuizioni inaspettate.

Nel 2019, lei e alcuni colleghi stavano lavorando con le zeoliti, materiali porosi vitali per applicazioni dalla catalisi industriale alla purificazione dell'aria. La dimensione e la disposizione dei loro pori influiscono sull'uso delle zeoliti, ma non si conosceva esattamente come controllare questo attributo durante la sintesi. Utilizzando il loro algoritmo per sgranocchiare la letteratura, Olivetti e i suoi colleghi sono stati in grado di dedurre i passaggi cruciali nel rendere le zeoliti più o meno porose — utilizzando i risultati combinati dei ricercatori del passato per salvare quelli futuri da infiniti cicli di tentativi ed errori.

Oltre a servire le ricette esistenti per i materiali, un algoritmo come questo potrebbe aiutare a crearne di nuove, afferma Olivetti. Può immaginare di incorporare una fase di estrazione di testo in un flusso di lavoro come quello di Buonassisi, per portare una dimensione storica nei tentativi di sintesi dei materiali guidati dall'intelligenza artificiale.

Potrebbe anche essere possibile, afferma Olivetti, utilizzare una tecnologia simile per estrarre grandi temi dal campo o comprendere le tendenze emergenti — opportunità interessanti e ampie di cui stiamo appena iniziando a scalfire la superficie.

nascondere