Diseño sostenible de células solares orgánicas mediante aprendizaje automático y profundo

Células solares más inteligentes para un mundo en transformación

Los paneles solares ya son una visión familiar en tejados y campos, pero muchas personas no saben que en los laboratorios están surgiendo nuevos tipos de células solares “plásticas” ligeras y flexibles. Este artículo explora cómo los investigadores usan simulaciones por ordenador e inteligencia artificial para diseñar estas células solares orgánicas de modo que conviertan más luz solar en electricidad, desperdicien menos material y contribuyan mejor a los objetivos climáticos y de sostenibilidad globales.

Qué distingue a estas células solares

Los paneles solares tradicionales suelen estar hechos de obleas rígidas de silicio. Las células solares orgánicas, en cambio, se construyen a partir de capas delgadas de carbono que pueden imprimirse sobre sustratos flexibles. Pueden ser ligeras, coloridas y potencialmente más económicas de fabricar. La desventaja es que su eficiencia—la fracción de la energía del Sol que convierten en energía útil—históricamente ha quedado por detrás del silicio. Gracias a nuevos materiales orgánicos, los dispositivos de laboratorio ya han superado el 18 por ciento de eficiencia. Para avanzar más, los científicos deben ajustar con precisión la pila interna de capas que transportan carga eléctrica, especialmente la capa de transporte de electrones, la capa de transporte de huecos y la capa activa absorbente de luz situada entre ellas.

Experimentos virtuales en lugar de ensayo y error

En vez de fabricar innumerables celdas de prueba en el laboratorio, los autores usan un programa informático detallado llamado SCAPS‑1D para ejecutar “experimentos virtuales”. Se centran en una estructura de dispositivo concreta que intercala una mezcla activa denominada PBDB‑T:IT‑M entre una capa de transporte de huecos (PEDOT:PSS) y una capa de transporte de electrones (PFN‑Br), con óxido de indio y estaño transparente en un lado y aluminio en el otro. Primero verifican que el simulador reproduce resultados publicados en laboratorio, y encuentran que reproduce de forma muy cercana medidas clave —voltaje, corriente y eficiencia global—. Esto les da confianza para explorar nuevos diseños en el ordenador, mucho antes de mezclar materiales o recubrir en una sala limpia.

Encontrar el punto óptimo en la pila de capas

Con el dispositivo virtual validado, el equipo ajusta sistemáticamente los materiales y espesores de cada capa para ver qué combinación funciona mejor. Entre varios candidatos para la capa de transporte de electrones, PFN‑Br rinde mejor, principalmente porque sus niveles de energía internos se alinean bien con la capa activa y favorece que los electrones lleguen con fluidez al contacto metálico. Al variar el espesor de PFN‑Br de 5 a 30 nanómetros (un nanómetro es una milmillonésima de metro), observan que las capas muy delgadas—alrededor de 5 a 10 nanómetros—ofrecen la mayor eficiencia. Las capas más gruesas introducen resistencia adicional, provocando mayores pérdidas de energía. En la propia capa activa, hacerla más gruesa permite captar más luz, pero también dificulta que las cargas escapen antes de recombinarse. Las simulaciones muestran un espesor ideal cercano a 300 nanómetros, donde la absorción de luz y el transporte de carga están bien equilibrados.

Dejar que la inteligencia artificial aprenda los mejores diseños

Ejecutar muchas simulaciones detalladas aún requiere tiempo, por lo que los investigadores añaden una segunda herramienta: inteligencia artificial. Generan un conjunto de datos de 300 células solares simuladas con distintas elecciones de espesor para las dos capas de transporte y la capa activa. Luego entrenan dos tipos de modelos de IA—redes neuronales convolucionales (CNN) y regresión por vectores de soporte (SVR)—para predecir resultados clave: eficiencia global y tensión en circuito abierto. Una vez entrenada, la CNN puede estimar al instante estas cifras de rendimiento para nuevos diseños sin volver a ejecutar la simulación completa de física. En las pruebas, la CNN predice la eficiencia con errores mucho menores que la SVR, captando las formas sutiles y no lineales en que pequeños cambios de espesor repercuten en el comportamiento del dispositivo.

Vinculando mejores células solares a un futuro más verde

Más allá del laboratorio, el equipo conecta sus resultados con objetivos globales de sostenibilidad. Al casi duplicar la eficiencia simulada —de aproximadamente un 12 por ciento a alrededor de un 19,5 por ciento—, una célula solar orgánica optimizada puede generar más energía por la misma superficie, reduciendo la cantidad de material, suelo y estructura de soporte necesarios. Eso favorece una energía más limpia y asequible (ODS 7), industrias más innovadoras y eficientes (ODS 9), un uso más responsable de los recursos (ODS 12) y una mayor acción frente al cambio climático (ODS 13). En términos sencillos, este trabajo muestra cómo combinar pruebas virtuales con IA puede ayudar a diseñar células solares más inteligentes más rápido, reducir residuos y acelerar la llegada de tecnologías solares flexibles y de alto rendimiento a la vida cotidiana.

Cita: Mohyeldien, O.M., El-Amary, N.H. & Al Bardawil, A. Sustainable design of organic solar cells utilized machine and deep learning. Sci Rep 16, 3728 (2026). https://doi.org/10.1038/s41598-026-35067-7

Palabras clave: células solares orgánicas, aprendizaje automático, optimización del espesor de capas, eficiencia fotovoltaica, energía sostenible