Investigadores han empleado una combinación de modelado numérico y aprendizaje automático para optimizar las células solares basadas en perovskitas de haluro doble de potasio y plata (K₂AgSbBr₆). Este trabajo se centra en superar las limitaciones de las perovskitas de plomo, que son altamente eficientes pero tóxicas, y las de estaño, que son inestables. Las perovskitas de haluro doble, como K₂AgSbBr₆, ofrecen una alternativa prometedora al ser menos tóxicas y más estables, aunque su eficiencia actual es inferior a la de sus contrapartes de plomo.

El estudio utilizó el software SCAPS-1D (Solar Cell Capacitance Simulator) para simular el rendimiento de las células solares. Se investigó el impacto de varios parámetros críticos, incluyendo el grosor de la capa de K₂AgSbBr₆, la densidad de defectos en la interfaz entre la capa de perovskita y la capa de transporte de electrones (ETL), y la concentración de dopantes en las capas de transporte de huecos (HTL) y electrones. El modelado reveló que un grosor óptimo de la capa de perovskita, una baja densidad de defectos en la interfaz y una adecuada concentración de dopantes son cruciales para mejorar la eficiencia.

Los resultados de la simulación indican que, bajo condiciones optimizadas, las células solares de K₂AgSbBr₆ podrían alcanzar una eficiencia de conversión de energía (PCE) teórica de hasta el 23.32%. Este valor se logró con un grosor de perovskita de 500 nm, una densidad de defectos interfacial de 10¹² cm⁻³ y concentraciones de dopantes específicas. El uso del aprendizaje automático complementó el modelado numérico, permitiendo identificar rápidamente las configuraciones de diseño más prometedoras y comprender las interacciones complejas entre los diferentes parámetros, acelerando así el proceso de optimización.

Este avance es significativo para el desarrollo de células solares más seguras y sostenibles. Aunque la eficiencia del 23.32% aún no iguala los récords de las perovskitas de plomo, demuestra el potencial de las perovskitas de haluro doble sin plomo para aplicaciones futuras. El enfoque combinado de modelado numérico y aprendizaje automático proporciona una metodología robusta para la investigación y el desarrollo de nuevos materiales fotovoltaicos, allanando el camino para la fabricación de dispositivos más eficientes y respetuosos con el medio ambiente.