Os painéis solares são construídos com materiais que permitem converter a energia solar, também chamada de fotovoltaica, em energia elétrica consumível. Os painéis atualmente disponíveis no mercado são construídos com compostos de silício, devido a sua eficiência e custo relativamente baixo. Entretanto, como a otimização do uso desse material se aproxima de seu limite, novos materiais vêm sendo estudados. Um dos materiais mais promissores são as perovskitas, que são compostos de óxido de cálcio e titânio. Uma das maiores vantagens das perovskitas é que elas podem ser processadas em estado sólido ou líquido, o que oferece uma enorme flexibilidade de aplicação. Teoricamente, é possível adicionar o material às tintas que recobrem as mais variadas construções por exemplo, e assim aumentar consideravelmente a área de captação de energia solar, sem a necessidade de construir painéis específicos para essa finalidade.
As perovskitas, entretanto, ainda não deixaram o ambiente de pesquisa, já que têm se mostrado difíceis de transformar em materiais estáveis adequados para uso. Os pesquisadores da área dispensam boa parte do seu tempo buscando encontrar o método correto para desenvolver perovskitas com flexibilidade, estabilidade, eficiência e economia. No começo de outubro, um trabalho publicado por uma equipe da Universidade da Flórida Central, nos Estados Unidos, apresentou uma solução baseada em machine learning para acelerar esse processo exploratório.
Os cientistas começaram revisando mais de 2 mil publicações envolvendo perovskitas, da onde retiraram mais de 300 pontos de dados, que foram então tratados por um algoritmo que eles desenvolveram. Eles objetivaram, em primeiro lugar, habilitar o algoritmo para propor novos métodos de fabricação de perovskitas aptas a serem usadas para conversão de energia solar, e em segundo lugar, predizer as propriedades físicas que fazem do material proposto um bom candidato. Essas características não são prontamente dedutíveis dos dados disponíveis, por isso os pesquisadores recorreram ao machine learning. No final do trabalho, o algoritmo produziu resultados similares aos derivadores de predição teórica, o que foi considerado um sucesso.
Se num primeiro momento não é possível afirmar que a abordagem vá resultar em produtos com potencial comercial, ao menos deve logo possibilitar desenvolver um material padrão que possa ser usado como benchmark da indústria. As perovskitas têm sido estudadas extensivamente na última década, e utilizar machine learning para otimizar a produção de conhecimento na área pode agilizar novas descobertas.
