Síntesis de perovskitas: predicción de formación de cristales mediante ensamble de modelos de aprendizaje automático

TICONA, BELÉN; TURJANSKI, PABLO; ONNA, DIEGO

Mar del Plata, Argentina

Encuentro; XX Encuentro de Superficies y Materiales Nanoestructurados (NANO 2020/2021); 2021

Universidad Nacional de Mar del Plata

La investigación en el campo de perovskitas nanoestructuradas ha crecido sustancialmente en la última década. Sus múltiples aplicaciones, que incluyen temas tan diversos como las celdas fotovoltaicas, catálisis industrial e iluminación LED, se deben en gran medida a la diversidad posible de su composición y a sus consecuentes propiedades. La dificultad de explorar nuevas condiciones que permitan mejorar y extender la aplicación de los nanomateriales existentes, motivó el uso de técnicas de aprendizaje automático (AA) para guiar la investigación en perovskitas. No obstante, como ocurre con la mayoría de los sistemas experimentales, existe cierta limitación debido a la escasez de datos disponibles, desafío general de la aplicación del AA del cual no está exento el área de materiales. En este trabajo se estudió la influencia de la cantidad de datos usada para generar modelos de AA (KNN, GBR y LR) que predigan la formación de nanocristales de perovskita. En particular se empleó una base de datos de experimentos disponible en la literatura sobre síntesis de perovskita de haluro de plomo[1] . Por cada síntesis la base cuenta con las condiciones de reacción, las propiedades físico-químicas de los reactivos empleados y la clasificación de los cristales formados, entre otros datos. Se experimentó con subconjuntos de datos de múltiples tamaños para generar modelos de AA por ensamble de promedios, simulando así resultados posibles a menor disponibilidad de datos.[3] Además, se consideraron distintos grupos predictores para analizar su impacto en los resultados. Al contar con una reducida cantidad de datos experimentales, dichos ensambles han mostrado tener mayor robustez en comparación a los modelos obtenidos por métodos convencionales. En conclusión, este trabajo muestra que frente a una cantidad reducida de datos experimentales de la síntesis de perovskita, la aplicación de modelos de AA producidos por ensamble de promedios genera resultados alentadores en la predicción de la formación de estructuras.