Resumen: Este artículo presenta una versión traducida y reescrita del estudio sobre optimización bayesiana recursiva para alinear niveles de energía de puntos cuánticos en heterouniones perovskita-puntos cuánticos con el objetivo de mejorar la eficiencia de celdas solares. Proponemos un marco de Optimización Bayesiana Recursiva que combina un modelo sustituto basado en procesos Gaussianos y redes neuronales informadas por la física para acelerar la exploración del espacio de diseños y optimizar tanto la composición como la distribución espacial de los puntos cuánticos, logrando aumentos significativos en voltaje de circuito abierto y eficiencia de conversión energética.
Introducción: Las heterouniones perovskita-puntos cuánticos ofrecen potencial para superar límites tradicionales de eficiencia mediante generación de multi excitones y extracción eficiente de carga. El rendimiento depende críticamente del alineamiento entre las bandas de conducción y valencia de la perovskita y los niveles electrónicos de los puntos cuánticos. La exploración experimental y por simulación de composiciones y distribuciones espaciales es costosa. Para ello presentamos la Optimización Bayesiana Recursiva como estrategia eficiente para guiar las simulaciones de alta fidelidad y reducir el número de pruebas necesarias.
Marco teórico: Los niveles de energía de puntos cuánticos dependen de su tamaño, estructura core shell y composición. En un ejemplo ilustrativo de puntos cuánticos CdSe/ZnS, la variación composicional modula el gap energético Eg. El voltaje de circuito abierto Voc se aproxima por la diferencia entre el mínimo de la banda de conducción de la perovskita y el borde de conducción del punto cuántico corregido por fenómenos interfaciales. Optimizar Voc y la extracción de carga requiere controlar offsets energéticos y la densidad espacial de puntos cuánticos dentro de la capa activa.
Metodología: La Optimización Bayesiana Recursiva usa un modelo sustituto de proceso Gaussiano para aproximar la función que mapea composición y densidad espacial a eficiencia PCE. Se emplea una función de covarianza que combina escalas de longitud para capturar comportamientos suaves y detalles locales. Adicionalmente, se integra una red neuronal informada por la física entrenada con resultados de análisis por elementos finitos para incorporar las leyes físicas que gobiernan el transporte de carga y mejorar la precisión del sustituto. El bucle recursivo consiste en predecir candidatos prometedores, evaluar con simulación FEA, actualizar el sustituto y refinar la distribución espacial mediante criterios que minimizan pérdidas por separación de porteradores.
Implementación computacional: Las simulaciones de referencia se realizan en un dominio discretizado representativo de la celda activa. Los datos FEA alimentan la PINN que minimiza una función de error que combina discrepancias en soluciones y sus derivadas respecto a variables espaciales, asegurando consistencia con las ecuaciones físicas subyacentes. El proceso RBO itera hasta convergencia o hasta alcanzar un presupuesto de simulación, mejorando progresivamente las predicciones de PCE.
Resultados: En el caso de estudio, tras varias iteraciones el método convergió a una composición optimizada y a una distribución de densidad de puntos cuánticos con perfil gaussiano centrado dentro de la capa perovskita, resultando en una PCE proyectada notablemente superior al caso inicial. La inclusión de la PINN redujo la varianza de las predicciones FEA y aceleró la convergencia del proceso de optimización.
Escalabilidad y direcciones futuras: El marco es ampliable a heterouniones más complejas, materiales alternativos y modelos de distribución espacial más ricos. A corto plazo se propone la integración con sistemas automatizados de deposición de películas delgadas. A medio plazo la implementación de un control de bucle cerrado en fabricación permitiría optimizaciones en tiempo real. A largo plazo la extensión a composiciones gradientes core shell podría aumentar la robustez frente a degradación.
Aplicaciones empresariales y servicios: Este enfoque computacional tiene aplicaciones directas en empresas que necesitan soluciones avanzadas de simulación, optimización y despliegue de modelos IA para diseño de materiales y procesos. En Q2BSTUDIO ofrecemos desarrollo de software a medida y aplicaciones a medida que integran modelos de inteligencia artificial y servicios de datos para impulsar proyectos de I D y producción industrial. Nuestra experiencia abarca inteligencia artificial, ciberseguridad, servicios cloud aws y azure, y servicios inteligencia de negocio.
Sobre Q2BSTUDIO: Q2BSTUDIO es una empresa de desarrollo de software y aplicaciones a medida especializada en soluciones de inteligencia artificial para empresas, ciberseguridad y servicios gestionados en la nube. Diseñamos experiencias a medida que combinan agentes IA, automatización de procesos y análisis avanzado con herramientas como power bi para transformar datos en decisiones operativas. Para proyectos de inteligencia artificial y soluciones IA para empresas consulte nuestro servicio en inteligencia artificial para empresas y para desarrollos y aplicaciones a medida visite software a medida y aplicaciones a medida.
Integración tecnológica: Ofrecemos integración con pipelines de simulación, despliegue de modelos PINN en infraestructuras cloud y seguros con políticas de ciberseguridad y pentesting. Nuestros servicios incluyen consultoría en servicios inteligencia de negocio, agentes IA integrados con tableros power bi y despliegue en servicios cloud aws y azure para garantizar escalabilidad y cumplimiento normativo.
Conclusión: La Optimización Bayesiana Recursiva combinada con redes neuronales informadas por la física constituye una vía prometedora para optimizar el alineamiento de niveles de energía en heterouniones perovskita-puntos cuánticos y aumentar la eficiencia de celdas solares. Q2BSTUDIO puede acompañar la implementación industrial de estos flujos mediante software a medida, automatización, inteligencia artificial, servicios cloud y ciberseguridad, acelerando la transición de resultados de simulación a prototipos y líneas de producción.
Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.
