PROCESAMIENTO DEL LENGUAJE NATURAL PARA EXTRACCIÓN DE INFORMACIÓN DE CELDAS SOLARES DE PEROVSKITA

Abstract

En los últimos años, el crecimiento exponencial de la literatura científica sobre celdas solares de perovskita ha generado la necesidad de desarrollar herramientas que permitan extraer y estructurar información relevante de manera automática. En este contexto, el presente trabajo propone un sistema basado en técnicas de Procesamiento de Lenguaje Natural (PLN) para la extracción de parámetros fotovoltaicos clave a partir de artículos científicos en formato PDF.

La metodología implementada incluye la selección y adaptación de modelos de lenguaje preentrenados, específicamente BERT, RoBERTa y MatSciBERT, mediante técnicas de fine-tuning para la tarea de reconocimiento de entidades nombradas (NER). Adicionalmente, se emplea una estrategia basada en reglas heurísticas para establecer relaciones entre entidades, así como herramientas para la extracción de tablas, imágenes y metadatos. Como complemento, se desarrolla una interfaz web que permite la visualización y exploración de los datos obtenidos.

Los resultados evidencian un desempeño competitivo entre los modelos evaluados, destacándose BERT por su estabilidad y consistencia en validación cruzada, alcanzando un F1 de 0.93657. No obstante, se identifican limitaciones asociadas a la variabilidad en los formatos de los artículos y a la extracción de información desde tablas.

Finalmente, el sistema desarrollado demuestra la viabilidad de automatizar la estructuración de información científica en este dominio, constituyendo un aporte para la reducción de tiempos de análisis y el fortalecimiento de procesos de investigación en energías renovables.