Estrategias de inteligencia artificial para acelerar la investigación en la nueva generación de tecnologías fotovoltaicas
16/09/2026
Jon Garí Galíndez defendió su tesis, codirigida por Víctor Izquierdo Roca y Maxim Guc, el 14 de septiembre de 2026 en el Campus Diagonal-Besòs. Titulada “Developing Artificial Intelligence Strategies to Accelerate Scientific Research: Application to Thin-Film Photovoltaic Technologies”, la tesis desarrolla nuevas estrategias de inteligencia artificial explicable (XAI) para acelerar la investigación en materiales y dispositivos fotovoltaicos, identificando cómo sus propiedades físicas condicionan su rendimiento.
El ciclo de desarrollo de nuevas tecnologías basadas en materiales suele durar entre 15 y 25 años debido a la creciente complejidad de los procesos de investigación experimental. Acelerar este ciclo es esencial para el despliegue a gran escala de tecnologías sostenibles que apoyen la transición energética, en la que las tecnologías fotovoltaicas (PV), en particular las nuevas tecnologías fotovoltaicas de capa delgada (TFPV), desempeñan un papel central. Los recientes avances en inteligencia artificial (IA), inteligencia artificial explicable (XAI), robótica y automatización han dado lugar a un nuevo paradigma: la ciencia de materiales basada en datos, capaz de acelerar el descubrimiento y la optimización de materiales. Sin embargo, la aplicación de la XAI a conjuntos de datos experimentales reales de caracterización sigue siendo limitada, y traducir las salidas de los modelos de aprendizaje automático (ML) en información con sentido físico continúa siendo un reto importante.
Esta tesis aborda ese reto desarrollando estrategias basadas en IA para el análisis y la interpretación de datos experimentales de caracterización, siguiendo un marco de interpretabilidad propuesto, orientado tanto a acelerar la investigación como a mejorar la explicabilidad de los modelos de ML. Comienza implementando y optimizando diferentes estrategias de entrenamiento para redes neuronales generativas utilizando datasets de referencia, lo que proporciona una base general para la implementación de ML en datasets experimentales. A continuación, se introduce un primer enfoque basado en XAI para dispositivos TFPV basados en kesterita, que demuestra el potencial de los modelos de ML interpretables para identificar correlaciones entre las propiedades fisicoquímicas de los materiales y el rendimiento fotovoltaico de los dispositivos.
Finalmente, sobre la base de esta progresión, se implementa una metodología integrada basada en XAI para analizar datasets multimodales obtenidos de la caracterización holística de células solares de kesterita, cubriendo todo el ciclo de investigación, desde la síntesis y la caracterización hasta la interpretación y la extracción de información relevante. La metodología identifica las propiedades fisicoquímicas que gobiernan el rendimiento y la reproducibilidad de los dispositivos, relacionando las regiones espectrales relevantes con las propiedades físicas correspondientes. Esta información se valida experimentalmente mediante procesos de fabricación modificados, lo que mejora el rendimiento de los dispositivos, y reduce los ciclos de optimización de más de un año a menos de una semana.
En conjunto, el trabajo muestra cómo una IA transparente y con sentido físico puede acelerar el desarrollo de nuevos materiales, contribuir al desarrollo de estrategias de laboratorios autónomos y, en última instancia, apoyar la transición energética.
Compartir: