Tandemsolarzellen auf Basis von Perowskit-Halbleitern können das Sonnenlicht effizienter in Strom umwandeln als herkömmliche Silizium-Solarzellen. Um diese Technologie auf den Markt zu bringen, müssen Stabilität und Produktionsprozesse weiter verbessert werden. Forschende des Karlsruher Instituts für Technologie (KIT) sowie der Plattformen Helmholtz Imaging am Deutschen Krebsforschungszentrum (DKFZ) und Helmholtz AI, haben nun einen Weg gefunden, die Qualität der Perowskit-Schichten und damit der Solarzellen vorherzusagen: Mit maschinellem Lernen und neuen Methoden der künstlichen Intelligenz (KI) lässt sich diese bereits bei der Herstellung aus Variationen in der Lichtemission erkennen. Über die Ergebnisse, aus denen sich verbesserte Produktionsprozesse ableiten lassen, berichtet das Team in Advanced Materials.
Perowskit-Tandemsolarzellen kombinieren eine Perowskit-Solarzelle mit einer konventionellen Solarzelle, beispielsweise auf Basis von Silizium. Sie gelten als Technologie der nächsten Generation, da sie mit einem Wirkungsgrad von derzeit mehr als 33 Prozent viel effizienter sind als herkömmliche Silizium-
Solarzellen, bei kostengünstigen Ausgangsstoffen und einfachen Herstellungsmethoden. Voraussetzung, um diesen Wirkungsgrad zu erreichen, ist eine sehr hochwertige und extrem dünne Perowskit-Schicht, die nur einen Bruchteil der Dicke eines menschlichen Haars besitzt. 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 augenscheinlich perfekten Bedingungen im Labor führen unbekannte Einflüsse zu Schwankungen in der Qualität der Halbleiterschichten. Dies verhindert Paetzold zufolge letztendlich den raschen Start der industriellen Produktion dieser hocheffizienten Solarzellen, die man für die Energiewende so dringend benötige.
KI findet verborgene Indizien für eine gute Beschichtung
Um herauszufinden, welche Faktoren die Beschichtung beeinflussen, hat sich ein interdisziplinäres Team aus den Perowskit-Solarzellen-Fachleuten vom KIT mit Spezialistinnen und Spezialisten für maschinelles Lernen und erklärbare künstliche Intelligenz (engl. Explainable AI, XAI) von Helmholtz Imaging (am DKFZ in Heidelberg) und von Helmholtz AI (am KIT) zusammengeschlossen. Die Forschenden haben KI-Methoden entwickelt, die sogenannte neuronale Netzwerke mithilfe eines großen Datensatzes trainieren und analysieren.
Der Datensatz beinhaltet Videoaufnahmen der Photolumineszenz der Perowskit-Dünnschichten während des Herstellungsprozesses. Photolumineszenz bezeichnet die strahlende Emission der Halbleiterschichten nach Anregung durch eine externe Lichtquelle. 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 sehr breit gestreuten Hinweise der Deep-Learning-KI zu filtern und zu analysieren, nutzten die Forschenden im Nachgang Methoden der erklärbaren künstlichen Intelligenz.
Das Ergebnis: Sie konnten im Versuch erkennen, dass die Photolumineszenz während der Produktion variiert und dies die Beschichtungsqualität beeinflusst. 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. Das sei üblicherweise nicht der Fall. Meist nutze man XAI nur als eine Art Leitplanke, um Fehler beim Bauen von KI-Modellen zu vermeiden: Das sei ein Paradigmenwechsel, und dass man so systematisch hochrelevante Erkenntnisse in Materialwissenschaften gewinnen könne, sei neu. Denn die Antwort nach der Variation der Photolumineszenz ermöglichte es den Forschenden weiterzugehen. Nach entsprechendem Training der neuronalen Netzwerke konnte die KI voraussagen, ob die Solarzelle einen niedrigen oder hohen Wirkungsgrad erreicht, je nachdem wann welche Variation in der Lichtemission im Laufe der Produktion stattfand. Das seien 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. Die Forschenden können ihre Experimente zielgerichteter durchführen und müssen nicht mehr im Dunkeln die Nadel im Heuhaufen suchen. Das sei eine Blaupause für Folgeforschung, auch für viele weitere Aspekte in der Energieforschung und den Materialwissenschaften, so Paetzold.ih
Originalpublikation:
L. Klein, S. Ziegler, F. Laufer, Ch. Debus, M. Götz, K. Maier-Hein, U. W. Paetzold, F. Isensee, P. F. Jäger: Discovering Process Dynamics for Scalable Perovskite Solar Cell Manufacturing with Explainable AI; Advanced Materials, 2023, https://doi.org/10.1002/adma.202307160
- www.kit.edu
Text zum Titelbild: Mit Unterstützung von KI-Methoden wollen Forschende die Herstellungsprozesse für hocheffiziente Perowskit-Solarzellen verbessern (Bild: Amadeus Bramsiepe, KIT)
