KI sagt Qualität von Perowskit-Solarzellen voraus
Forschende haben einen Weg gefunden, die Qualität von Perowskit-Solarzellen vorherzusagen. Mit Hilfe von künstlicher Intelligenz soll es künftig möglich sein, Stabilität und Produktionsprozesse dieser Solarzellen weiter zu verbessern und sie fit für den Markt zu machen.
Mit Unterstützung von KI-Methoden wollen Forschende die Herstellungsprozesse für hocheffiziente Perowskit-Solarzellen verbessern.
Foto: Amadeus Bramsiepe, KIT
Perowskit-basierte Tandemsolarzellen können Sonnenenergie effizienter in Strom umwandeln als konventionelle Silizium-Solarzellen. Für eine Markteinführung dieser Technologie sind jedoch Verbesserungen in Stabilität und Produktion notwendig. Wissenschaftler des Karlsruher Instituts für Technologie (KIT) und der Helmholtz-Plattformen am Deutschen Krebsforschungszentrum sowie Helmholtz AI haben eine Methode entwickelt, um die Qualität von Perowskit-Schichten und somit der Solarzellen zu prognostizieren. Diese basiert auf Maschinellem Lernen und KI-Techniken, die durch die Analyse der Lichtemission während der Herstellung die Qualität der Solarzellen vorhersagen können.
Qualitätsschwankungen großes Manko
Perowskit-Tandemsolarzellen, die eine Perowskit- und eine konventionelle Solarzelle (oft auf Siliziumbasis) kombinieren, gelten als Technologie der nächsten Generation. Mit einem aktuellen Wirkungsgrad von über 33 Prozent übertreffen sie traditionelle Silizium-Solarzellen deutlich in der Effizienz. Zudem zeichnen sie sich durch günstige Rohstoffe und einfache Produktionsmethoden aus. Eine entscheidende Komponente für diese hohe Effizienz ist eine qualitativ hochwertige, extrem dünne Perowskit-Schicht, deren Dicke nur einen Bruchteil eines menschlichen Haares ausmacht.
Es gibt allerdings noch einige Kinderkrankheiten. „Eine der größten Herausforderungen ist dabei, diese hochwertigen sogenannten multikristallinen Dünnschichten mit kostengünstigen und skalierbaren Verfahren ohne Defekte und Löcher herzustellen“, erklärt Tenure-Track-Professor Ulrich W. Paetzold vom Institut für Mikrostrukturtechnik sowie vom Lichttechnischen Institut des KIT. Selbst unter perfekten Laborbedingungen gibt es jedoch durch unbekannte Einflüsse Qualitätsschwankungen bei den Halbleiterschichten: „Dies verhindert letztendlich den raschen Start der industriellen Produktion dieser hocheffizienten Solarzellen, die wir für die Energiewende so dringend benötigen“, so Paetzold.
Erfolgreiches Training des KI-Modells
Um die Einflussfaktoren auf die Beschichtung von Perowskit-Solarzellen zu untersuchen, kooperierte ein interdisziplinäres Team des KIT mit Spezialistinnen und Spezialisten für Maschinelles Lernen und Erklärbare Künstliche Intelligenz (XAI) von Helmholtz Imaging und Helmholtz AI am Deutschen Krebsforschungszentrum (DKFZ) in Heidelberg.
Die Forschenden entwickelten KI-Methoden, die Neuronale Netzwerke mit einem umfangreichen Datensatz trainieren und analysieren. Dieser Datensatz enthält Videoaufnahmen, die die Photolumineszenz der Perowskit-Dünnschichten während ihrer Herstellung zeigen. Photolumineszenz beschreibt die leuchtende Emission der Halbleiterschichten, verursacht durch eine externe Lichtanregung.
„Da selbst Fachleute nichts Bemerkenswertes auf den Dünnschichten erkennen konnten, entstand die Idee, eine KI für Maschinelles Lernen (Deep Learning) darauf zu trainieren, verborgene Indizien für eine gute oder schlechte Beschichtung in den Millionen Daten aus den Videos zu finden“, erklären Lukas Klein und Sebastian Ziegler von Helmholtz Imaging am DKFZ.
Um die umfangreichen und vielfältigen Informationen der Deep-Learning-KI effektiv zu nutzen, setzten die Forschenden anschließend auf Methoden der Erklärbaren Künstlichen Intelligenz, um diese Daten zu filtern und zu analysieren.
Faktoren identifiziert, die für eine hochwertige Solarzelle notwendig sind
Die Forschenden stellten durch das Training der KI fest, dass die Photolumineszenz während des Herstellungsprozesses Schwankungen unterliegt. Diese Variationen haben direkten Einfluss auf die Qualität der Beschichtung. „Entscheidend bei der Arbeit war, dass wir XAI-Methoden gezielt eingesetzt haben, um zu sehen, welche Faktoren sich für eine hochwertige Solarzelle ändern müssten“, so Klein und Ziegler.
Üblicherweise wird XAI nur als eine Art Leitplanke genutzt, um Fehler beim Bauen von KI-Modellen zu vermeiden. Das Forschungsteam ist anders vorgegangen, Klein und Ziegler ergänzen: „„Das ist ein Paradigmenwechsel, und dass wir so systematisch hochrelevante Erkenntnisse in Materialwissenschaften gewinnen können, ist neu.“ Die Photolumineszenz-Variationen erlaubten den Forschenden, Fortschritte zu machen. Nach dem Training der neuronalen Netzwerke konnte die Künstliche Intelligenz vorhersagen, ob eine Solarzelle einen niedrigen oder hohen Wirkungsgrad erreicht.
Die Höhe des Wirkungsgrads hing davon ab, zu welchem Zeitpunkt während der Produktion bestimmte Veränderungen in der Lichtemission auftraten. „Das sind extrem spannende Ergebnisse“, so Ulrich W. Paetzold. „Dank des kombinierten Einsatzes der KI haben wir eine Idee, an welchen Stellschrauben wir zuallererst drehen müssen, um die Produktion zu verbessern. Wir können unsere Experimente zielgerichteter durchführen und müssen nicht mehr im Dunkeln die Nadel im Heuhaufen suchen. Das ist eine Blaupause für Folgeforschung, auch für viele weitere Aspekte in der Energieforschung und den Materialwissenschaften.“
Ein Beitrag von:
