Predicción de propiedades de materiales semiconductores para aplicaciones en celdas solares mediante ML y cálculos ab-initio

Resumen

En este trabajo se propone una metodología híbrida que combina cálculos ab-initio y técnicas de aprendizaje automático para predecir el band-gap de compuestos binarios tipo AB. Se construyó una base de datos de 48 compuestos con estructura zinc blenda, utilizando propiedades atómicas pristinas como descriptores. Se entrenaron modelos simbólicos mediante la librería PySR, empleando datos de Materials Project y simulaciones propias con Quantum ESPRESSO. Los resultados muestran que el modelo basado en MP presenta una mayor capacidad explicativa (R² = 0.8947) y menor error (MAE = 0.2896) en comparación con el modelo basado en QE. Asimismo, nuestros resultados confirman que las propiedades periódicas de los elementos, como la electronegatividad y la afinidad electrónica, pueden ser utilizadas para construir modelos predictivos precisos e interpretables del band-gap, lo que abre nuevas posibilidades para el diseño racional de materiales semiconductores.