KIT: Künstliche Intelligenz optimiert Perowskit-Zellenproduktion

Das Karlsruher Institut für Technologie hat auf Prozesse künstlicher Intelligenz zurückgegriffen, um die Effizienz von Perowskit-Tandemsolarzellen zu verbessern. Wie das KIT mitteilte, gelten solche Zellen als Technologie der nächsten Generation. Mit ihnen seien Wirkungsgrad von derzeit mehr als 33 Prozent möglich. Eine solche Solarzelle kombiniert eine Perowskit- mit einer konventionellen Solarzelle, beispielsweise auf Basis von Silizium.

Voraussetzung, um hohe Wirkungsgrade zu erreichen, sei eine sehr hochwertige und extrem dünne Perowskit-Schicht, die nur einen Bruchteil der Dicke eines menschlichen Haares besitzt. „Eine der größten Herausforderungen ist dabei, diese hochwertigen sogenannten multikristallinen Dünnschichten mit kostengünstigen und skalierbaren Verfahren ohne Defekte und Löcher herzustellen“, erklärt 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 letztendlich den raschen Start der industriellen Produktion dieser hocheffizienten Solarzellen“, so Paetzold.

KI analysiert Millionen von Daten

Um herauszufinden, welche Faktoren die Beschichtung beeinflussen, hat sich ein interdisziplinäres Team aus den Perowskit-Solarzellen-Fachleute vom KIT mit Spezialistinnen und Spezialisten für Maschinelles Lernen und Erklärbare Künstliche Intelligenz  (XAI) von Helmholtz Imaging und Helmholtz AI am DKFZ in Heidelberg zusammengeschlossen. Die Forschenden haben dabei 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: Die Forschenden konnten im Versuch erkennen, dass die Photolumineszenz während der Produktion variiert und dies die Beschichtungsqualität beeinflusst. 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 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.“

16.11.2023 | Quelle: KIT | solarserver.de © Solarthemen Media GmbH