Celdas solares de perovskita: cuando la IA fabrica mejor que el humano#
756 celdas solares. 21 condiciones. Ninguna fabricada por manos humanas.
Un equipo en Nature dejó que la inteligencia artificial descubriera nuevos materiales y fabricara los dispositivos, en un loop cerrado sin intervención humana. ¿El resultado? Veamos qué dicen los datos.
📄 Autonomous closed-loop framework for reproducible perovskite solar cells — Nature (2026) · DOI: 10.1038/s41586-026-10482-y
El problema#
Las celdas solares de perovskita son la gran promesa de la energía renovable: baratas, eficientes y fáciles de fabricar. Pero hay un cuello de botella: cada paso del proceso depende de la experiencia humana. Elegir el material de pasivación correcto, ajustar temperaturas, controlar espesores — todo se hace por prueba y error.
Este equipo propuso algo radical: un sistema autónomo que integra aprendizaje automático (machine learning) para descubrir moléculas con una plataforma automatizada que fabrica las celdas en un loop cerrado de optimización bayesiana. Sin manos humanas en el proceso.
# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
PCE_RECORD = 27.22 # PCE récord del paper (%)
PCE_CONTROL_MEAN = 22.41 # PCE medio del control manual (%)
CONDICION_MEJOR = 'S5' # Condición con mayor PCE medio
FUENTE = 'Fuente: Nature (2026) · DOI: 10.1038/s41586-026-10482-y · Datos: Supplementary Fig. S4-S23'
COLOR_CONTROL = '#DC2626' # Rojo — fabricación manual
COLOR_AUTO = '#2563EB' # Azul CaM — fabricación automatizada
COLOR_MEJOR = '#059669' # Emerald — mejor condición
COLOR_REF = '#D97706' # Amber — referencia
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats
import os
import urllib.request
# Estilo CaM
style_paths = ['../../cam.mplstyle', '/tmp/cam.mplstyle']
for sp in style_paths:
if os.path.exists(sp):
plt.style.use(sp)
break
else:
url = 'https://raw.githubusercontent.com/Ciencia-a-Mordiscos/lab/main/cam.mplstyle'
urllib.request.urlretrieve(url, '/tmp/cam.mplstyle')
plt.style.use('/tmp/cam.mplstyle')
# Cargar datos
df = pd.read_csv('datos/celdas_solares.csv')
# Resumen
n_conditions = df['condition'].nunique()
n_devices = len(df)
ctrl = df[df['condition'] == 'Control']
auto = df[df['condition'] != 'Control']
best = df[df['condition'] == CONDICION_MEJOR]
print(f"Datos cargados: {n_devices} dispositivos en {n_conditions} condiciones")
print(f" Control (manual): {len(ctrl)} dispositivos, PCE medio {ctrl['pce_pct'].mean():.2f}%")
print(f" Automatizados: {len(auto)} dispositivos en {auto['condition'].nunique()} condiciones")
print(f" Mejor condición ({CONDICION_MEJOR}): PCE medio {best['pce_pct'].mean():.2f}%")
print(f" PCE máximo en dataset: {df['pce_pct'].max():.2f}%")
Datos cargados: 756 dispositivos en 21 condiciones
Control (manual): 36 dispositivos, PCE medio 22.41%
Automatizados: 720 dispositivos en 20 condiciones
Mejor condición (S5): PCE medio 25.32%
PCE máximo en dataset: 25.96%
Manual vs. automático#
Aquí está.
fig, ax = plt.subplots(figsize=(10, 6))
# Violin + strip: Control vs Best auto
positions = [0, 1.2]
groups = [
('Control\n(manual)', ctrl['pce_pct'].values, COLOR_CONTROL),
(f'{CONDICION_MEJOR}\n(automatizada)', best['pce_pct'].values, COLOR_AUTO),
]
for i, (label, vals, color) in enumerate(groups):
# Violin
vp = ax.violinplot([vals], positions=[positions[i]], showmeans=False,
showextrema=False, widths=0.6)
for body in vp['bodies']:
body.set_facecolor(color)
body.set_alpha(0.2)
body.set_edgecolor(color)
body.set_linewidth(1.5)
# Strip (jitter)
np.random.seed(42)
n = len(vals)
x_strip = np.linspace(positions[i] - 0.12, positions[i] + 0.12, n)
np.random.shuffle(x_strip)
ax.scatter(x_strip, vals, color=color, s=45, alpha=0.7,
edgecolors='white', linewidths=0.5, zorder=5)
# Mean + SEM
mean = vals.mean()
sem = vals.std(ddof=1) / np.sqrt(n)
ax.errorbar(positions[i], mean, yerr=sem, fmt='_', color=color,
markersize=25, markeredgewidth=3, capsize=8, capthick=1.5, zorder=6)
# Flecha de diferencia
y_ctrl = ctrl['pce_pct'].mean()
y_best = best['pce_pct'].mean()
ax.annotate('', xy=(0.6, y_best), xytext=(0.6, y_ctrl),
arrowprops=dict(arrowstyle='<->', color='#666666', lw=1.5))
ax.text(0.72, (y_ctrl + y_best) / 2, f'+{y_best - y_ctrl:.1f} pp\n(+13,0%)',
fontsize=11, fontweight='bold', color='#666666', va='center')
# Cohen's d annotation
ax.text(0.72, y_ctrl - 0.3, "Cohen's d = 6,54", fontsize=9,
color='#999999', va='top', style='italic')
ax.set_xticks(positions)
ax.set_xticklabels(['Control\n(manual)', f'{CONDICION_MEJOR}\n(automatizada)'],
fontsize=11, fontweight='bold')
for tick, color in zip(ax.get_xticklabels(), [COLOR_CONTROL, COLOR_AUTO]):
tick.set_color(color)
ax.set_ylabel('Eficiencia de conversión (PCE, %)', fontsize=11)
ax.set_title('¿Puede una IA fabricar mejores celdas solares que un humano?',
fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, f'36 dispositivos por condición · 4 parámetros medidos',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.text(0.98, 0.02, '━ media ± SEM', transform=ax.transAxes,
fontsize=8, color='#999999', ha='right', va='bottom', style='italic')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/hero_control_vs_auto.png', dpi=200, bbox_inches='tight')
plt.show()
Las dos distribuciones no se tocan. Ni un solo dispositivo automático cae en el rango del control manual.
La mejora es de +2,9 puntos porcentuales de eficiencia — parece poco, pero en el mundo de las celdas solares es enorme. Pasamos de 22,4% a 25,3% de conversión de luz en electricidad. Un Cohen’s d de 6,54 confirma lo que los ojos ven: el efecto es masivo.
¿Y qué pasa con las otras 19 condiciones que probó la IA?
20 rondas de optimización#
La IA no se quedó con una sola receta — exploró 20 condiciones diferentes, ajustando parámetros en cada ronda.
# Stats por condición, ordenadas por PCE medio
cond_stats = df.groupby('condition')['pce_pct'].agg(['mean', 'std', 'count']).reset_index()
cond_stats['sem'] = cond_stats['std'] / np.sqrt(cond_stats['count'])
cond_stats = cond_stats.sort_values('mean', ascending=True)
fig, ax = plt.subplots(figsize=(12, 8))
colors = []
for _, row in cond_stats.iterrows():
if row['condition'] == 'Control':
colors.append(COLOR_CONTROL)
elif row['condition'] == CONDICION_MEJOR:
colors.append(COLOR_MEJOR)
else:
colors.append(COLOR_AUTO)
y_pos = range(len(cond_stats))
# Strip plot por condición
np.random.seed(42)
for i, (_, row) in enumerate(cond_stats.iterrows()):
vals = df[df['condition'] == row['condition']]['pce_pct'].values
n = len(vals)
y_strip = np.linspace(i - 0.25, i + 0.25, n)
np.random.shuffle(y_strip)
color = colors[i]
ax.scatter(vals, y_strip, color=color, s=20, alpha=0.5,
edgecolors='white', linewidths=0.3, zorder=4)
# Media con error bar
ax.errorbar(row['mean'], i, xerr=row['sem'], fmt='|', color=color,
markersize=12, markeredgewidth=2.5, capsize=4, capthick=1.2, zorder=5)
# Línea de referencia: media del control
ax.axvline(x=ctrl['pce_pct'].mean(), color=COLOR_CONTROL, linewidth=1.2,
linestyle='--', alpha=0.5, zorder=1)
ax.text(ctrl['pce_pct'].mean() - 0.05, len(cond_stats) - 0.5,
f'Control: {ctrl["pce_pct"].mean():.1f}%', fontsize=8,
color=COLOR_CONTROL, ha='right', va='bottom', style='italic')
ax.set_yticks(list(y_pos))
ax.set_yticklabels(cond_stats['condition'].values, fontsize=9)
for tick, color in zip(ax.get_yticklabels(), colors):
tick.set_color(color)
if color != COLOR_AUTO:
tick.set_fontweight('bold')
ax.set_xlabel('Eficiencia de conversión (PCE, %)', fontsize=11)
ax.set_title('¿Alguna condición automática pierde contra el humano?',
fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, '36 dispositivos por condición · ordenado por PCE medio',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.text(0.98, 0.02, '| media ± SEM', transform=ax.transAxes,
fontsize=8, color='#999999', ha='right', va='bottom', style='italic')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/todas_condiciones.png', dpi=200, bbox_inches='tight')
plt.show()
Las 20 condiciones automatizadas superan al control manual. Incluso la peor (S21, con 22,5%) está por encima de la media manual.
Pero la eficiencia (PCE) no sale de la nada. Es el producto de tres parámetros: el voltaje (VOC), el factor de llenado (FF) y la corriente (JSC). ¿Cuál mejoró más con la automatización?
fig, axes = plt.subplots(1, 3, figsize=(15, 5))
params = [
('voc_v', 'Voltaje (VOC, V)', 'ρ = 0,861'),
('ff_pct', 'Factor de llenado (FF, %)', 'ρ = 0,879'),
('jsc_ma_cm2', 'Corriente (JSC, mA/cm²)', 'ρ = 0,577'),
]
for ax, (col, ylabel, rho_label) in zip(axes, params):
# Control
ax.scatter(ctrl[col], ctrl['pce_pct'], color=COLOR_CONTROL, s=35, alpha=0.7,
edgecolors='white', linewidths=0.5, zorder=5, label='Control')
# Automatizadas
ax.scatter(auto[col], auto['pce_pct'], color=COLOR_AUTO, s=20, alpha=0.4,
edgecolors='white', linewidths=0.3, zorder=4, label='Automatizadas')
ax.set_xlabel(ylabel, fontsize=10)
ax.set_ylabel('PCE (%)' if col == 'voc_v' else '', fontsize=10)
# Spearman rho
ax.text(0.03, 0.97, f'{rho_label}, p < 0,001', transform=ax.transAxes, fontsize=9,
fontweight='bold', color='#666666', va='top')
if col == 'voc_v':
ax.legend(fontsize=8, loc='lower right', framealpha=0.9)
fig.suptitle('¿Qué mejoró la IA? Voltaje y factor de llenado, no corriente',
fontsize=14, fontweight='bold', y=1.07)
fig.text(0.5, 1.02, 'Correlación de Spearman con PCE · 756 dispositivos',
fontsize=10, color='#666666', ha='center')
fig.text(0.13, -0.05, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.tight_layout()
plt.savefig('figuras/parametros_contribucion.png', dpi=200, bbox_inches='tight')
plt.show()
El factor de llenado (FF, ρ = 0,879) y el voltaje (VOC, ρ = 0,861) son los que más correlacionan con la eficiencia (Spearman, n = 756, todos p < 10⁻⁶⁸). La corriente (JSC, ρ = 0,577) contribuye menos — no es lo que explica la ganancia.
Esto tiene sentido: la molécula de pasivación (5ANI) que descubrió la IA tapa defectos en la superficie de la perovskita — y eso se nota en el voltaje y el llenado.
¿Pero qué tan fuera de lo común es la fabricación manual comparada con la automatizada?
fig, ax = plt.subplots(figsize=(10, 5))
# Histograma de TODAS las condiciones automatizadas
n_bins, bins, patches = ax.hist(auto['pce_pct'], bins=30, color=COLOR_AUTO, alpha=0.35,
edgecolor=COLOR_AUTO, linewidth=0.8, label='Automatizadas')
# Histograma del control superpuesto
ax.hist(ctrl['pce_pct'], bins=15, color=COLOR_CONTROL, alpha=0.35,
edgecolor=COLOR_CONTROL, linewidth=0.8, label='Control (manual)')
y_max = n_bins.max() * 1.2
ax.set_ylim(0, y_max)
# Líneas de media
ctrl_mean = ctrl['pce_pct'].mean()
auto_mean = auto['pce_pct'].mean()
ax.axvline(x=ctrl_mean, color=COLOR_CONTROL, linewidth=2, linestyle='-', alpha=0.8)
ax.axvline(x=auto_mean, color=COLOR_AUTO, linewidth=2, linestyle='-', alpha=0.8)
# Flecha bidireccional
arrow_y = y_max * 0.7
ax.annotate('', xy=(auto_mean, arrow_y), xytext=(ctrl_mean, arrow_y),
arrowprops=dict(arrowstyle='<->', color='#666666', lw=1.5))
ax.text((ctrl_mean + auto_mean) / 2, arrow_y + y_max * 0.05,
f'+{auto_mean - ctrl_mean:.1f} pp',
fontsize=12, fontweight='bold', color='#666666', ha='center')
# Labels
ax.text(ctrl_mean, y_max * 0.85, f'{ctrl_mean:.1f}%', fontsize=10,
fontweight='bold', color=COLOR_CONTROL, ha='center')
ax.text(auto_mean, y_max * 0.85, f'{auto_mean:.1f}%', fontsize=10,
fontweight='bold', color=COLOR_AUTO, ha='center')
# Récord del paper
ax.axvline(x=PCE_RECORD, color=COLOR_REF, linewidth=1.5, linestyle='--', alpha=0.7)
ax.text(PCE_RECORD + 0.1, y_max * 0.9, f'Récord: {PCE_RECORD}%\n(campeón individual)',
fontsize=9, color=COLOR_REF, va='top')
ax.set_xlabel('Eficiencia de conversión (PCE, %)', fontsize=11)
ax.set_ylabel('Número de dispositivos', fontsize=11)
ax.legend(fontsize=9, loc='upper left', framealpha=0.9)
ax.set_title('El abismo entre fabricación manual y automatizada',
fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, '756 dispositivos · la línea ámbar marca el récord individual del paper (27,22%)',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/histograma_anomalia.png', dpi=200, bbox_inches='tight')
plt.show()
Lo que los datos soportan#
Afirmación |
¿Soportada? |
Detalle |
|---|---|---|
La plataforma automatizada mejora la eficiencia respecto al control manual |
✅ |
+2,9 pp (22,4% → 25,3%), Cohen’s d = 6,54, Mann-Whitney p = 3 × 10⁻¹³ |
Las 20 condiciones automatizadas superan al control |
✅ |
20/20 con PCE medio > 22,4% (control). Incluso la peor (S21: 22,5%) supera la media manual |
VOC y FF son los principales impulsores de la mejora |
✅ |
Spearman: FF ρ = 0,879, VOC ρ = 0,861, JSC ρ = 0,577 |
La fabricación automatizada es más reproducible |
✅ |
CV control: 2,33% vs CV mejor auto: 1,40% (ratio 1,67×). Las distribuciones automáticas son más estrechas |
PCE récord de 27,22% |
⚠️ |
No incluido en los datos suplementarios. Máximo en dataset: 25,96%. El campeón probablemente fue seleccionado de un lote mayor |
Reproducibilidad ~5× la de fabricación manual |
⚠️ |
Nuestro análisis del coeficiente de variación muestra 1,67×. El paper probablemente usa una métrica diferente (tasa de rendimiento, yield rate, etc.) |
Limitaciones:
Los datos suplementarios contienen 756 dispositivos (36 × 21 condiciones), pero NO el dispositivo campeón de 27,22%
No sabemos qué molécula/parámetro específico se probó en cada condición (S4-S23) — el paper completo está detrás de paywall
Sin datos de estabilidad (la retención del 98,7% después de 1.200 horas mencionada en el abstract no está en este dataset)
La métrica de «5× reproducibilidad» del paper no se puede replicar exactamente con estos datos
Ahora tú#
¿Qué condición tiene la distribución más estrecha? Calcula el coeficiente de variación (CV = σ/media) para cada condición. ¿La más eficiente es también la más reproducible?
¿Hay un trade-off entre voltaje y corriente? Grafica VOC vs JSC para todas las condiciones. ¿La IA sacrificó corriente para ganar voltaje?
¿Cuántos dispositivos automáticos superan al MEJOR dispositivo manual? El mejor control alcanzó 23,23%. ¿Qué fracción de los 720 automatizados lo supera?
# --- EXPERIMENTA AQUÍ ---
# Pregunta 3: ¿Cuántos dispositivos automáticos superan al mejor manual?
mejor_manual = ctrl['pce_pct'].max()
superan = (auto['pce_pct'] > mejor_manual).sum()
total_auto = len(auto)
pct = superan / total_auto * 100
print(f"Mejor dispositivo manual: {mejor_manual:.2f}%")
print(f"Dispositivos automáticos que lo superan: {superan}/{total_auto} ({pct:.1f}%)")
# Bonus: CV por condición
print(f"\n── Coeficiente de variación por condición ──")
cv_by_cond = df.groupby('condition')['pce_pct'].agg(
lambda x: x.std(ddof=1) / x.mean() * 100
).sort_values()
for cond, cv in cv_by_cond.items():
marker = '🏆' if cv == cv_by_cond.min() else ('⚠️' if cond == 'Control' else ' ')
print(f" {marker} {cond:>10}: CV = {cv:.2f}%")
Mejor dispositivo manual: 23.23%
Dispositivos automáticos que lo superan: 632/720 (87.8%)
── Coeficiente de variación por condición ──
🏆 S19: CV = 1.07%
S22: CV = 1.15%
S11: CV = 1.25%
S14: CV = 1.30%
S8: CV = 1.34%
S5: CV = 1.40%
S9: CV = 1.49%
S15: CV = 1.56%
S18: CV = 1.56%
S23: CV = 1.62%
S12: CV = 1.71%
S17: CV = 1.73%
S4: CV = 1.78%
S6: CV = 1.88%
S7: CV = 2.13%
S10: CV = 2.14%
S20: CV = 2.14%
⚠️ Control: CV = 2.33%
S13: CV = 2.44%
S16: CV = 2.47%
S21: CV = 3.20%
Créditos#
Paper: Autonomous closed-loop framework for reproducible perovskite solar cells — Nature (2026)
Datos: Supplementary Figures S4-S23 (Source Data XLSX)
Licencia datos: Springer Nature Terms of Use
Repo: Ciencia-a-Mordiscos/lab