Este artículo presenta un novedoso marco de Aprendizaje Profundo Bayesiano (BDL) para la predicción y mitigación de defectos en células solares de perovskita (PSC), una tecnología fotovoltaica con gran potencial. El sistema integra imágenes microestructurales de alta resolución con simulaciones basadas en física para identificar defectos de forma probabilística y proponer recetas de mitigación dirigidas, superando las limitaciones de los métodos tradicionales.
La propuesta combina tres módulos principales: imagen microestructural y extracción de características mediante una red neuronal convolucional (CNN) con backbone ResNet-50 y transferencia de aprendizaje; identificación y cuantificación probabilística de defectos mediante una red Bayesiana que incorpora conocimiento experto y datos experimentales; y optimización de recetas de mitigación evaluadas por simulaciones Monte Carlo cinéticas (KMC) que modelan migración iónica y formación/aniquilación de defectos. Este enfoque permite estimar densidades espaciales de defectos y priorizar intervenciones como ajustes de temperatura de recocido, ingeniería de disolventes o pasivación superficial.
En pruebas con 500 imágenes de películas finas de perovskita fabricadas por diversas técnicas, el sistema alcanzó una precisión de detección superior al 95% y una precisión positiva de 92.8%. Las simulaciones KMC mostraron una concordancia elevada con resultados experimentales, con un error absoluto medio porcentual MAPE de 8.5%. La evaluación indica un potencial de mejora proyectada en la eficiencia de los PSC de hasta 15% cuando se aplican reparaciones dirigidas basadas en las recomendaciones del marco BDL.
Una ventaja clave es la escalabilidad: la solución funciona con microscopía óptica de uso común y recursos computacionales accesibles, facilitando su integración en líneas de producción sin necesidad de equipos altamente especializados. El sistema está pensado para operar en tiempo real, cerrando el ciclo entre caracterización, predicción y ajuste de procesos para reducir defectos que limitan el rendimiento y la estabilidad a largo plazo.
Desde el punto de vista técnico, la combinación de aprendizaje profundo con restricciones informadas por la física mejora la robustez frente a datos limitados o configuraciones de defecto no vistas. Futuras líneas incluyen la incorporación de retroalimentación en tiempo real desde mediciones eléctricas, el desarrollo de redes neuronales informadas por física PINNs y la automatización de remediaciones activas guiadas por agentes de IA.
Q2BSTUDIO, empresa especializada en desarrollo de software y aplicaciones a medida, ofrece experiencia para llevar soluciones como este marco BDL a entornos productivos. Nuestros servicios abarcan desde software a medida y aplicaciones a medida hasta proyectos de inteligencia artificial aplicada a la industria, integración con servicios cloud aws y azure, y soluciones de servicios inteligencia de negocio con Power BI. Podemos desarrollar pipelines que integren visión por computador, modelos bayesianos y simulaciones físicas, desplegables en nube privada o pública para escalabilidad y seguridad.
Además, Q2BSTUDIO ofrece ciberseguridad y pentesting para proteger datos experimentales y modelos, así como consultoría para implantar agentes IA, automatización de procesos y cuadros de mando que monitoricen en tiempo real la calidad de fabricación. Si desea transformar el control de calidad de sus células solares de perovskita mediante soluciones avanzadas de inteligencia artificial y software a medida, contacte con nuestro equipo para diseñar una implementación a medida y escalable basada en los últimos avances en BDL y simulación física.
