Maschinelles Lernen kann die Fertigung leistungsstarker Peroswkit-Photovoltaik verbessern. Das schreibt das Karlsruher Institut für Technologie (KIT). So wiesen Solarzellen aus Perowskit-Halbleiterschichten bereits heute sehr hohe Wirkungsgrade auf. Gleichzeitig ließen sie sich kostengünstig hergestellen und die Technologie dünn und flexibel gestalten. „Die Perowskit-Photovoltaik steht an der Schwelle zur Kommerzialisierung. Allerdings bleiben Herausforderungen bei der Langzeitstabilität sowie bei der Hochskalierung auf große Flächen.“ Das sagt Professor Ulrich Wilhelm Paetzold, der am Institut für Mikrostrukturtechnik des KIT sowie am Lichttechnischen Institut des KIT forscht.

„In unserer Studie zeigen wir, dass Maschinelles Lernen entscheidend ist, um das für die industrielle Fertigung erforderliche Monitoring der Perowskit-Dünnschichtbildung zu verbessern“, so der Physiker. Mithilfe von Deep Learning – einer Methode aus dem Bereich des Maschinellen Lernens, die neuronale Netze nutzt – konnten die Forschenden am KIT Materialeigenschaften und Wirkungsgrade von Solarzellen auch jenseits des Labormaßstabs schnell und präzise vorhersagen.

„Auf Basis von Messdaten während der Fertigung lassen sich durch den Einsatz von Maschinellem Lernen Prozessfehler identifizieren, bevor die Solarzellen fertiggestellt sind. Zusätzliche Untersuchungsmethoden sind nicht notwendig“, sagt Felix Laufer, wissenschaftlicher Mitarbeiter. „Die Schnelligkeit und Leistungsfähigkeit dieser Methode verbessert die Datenanalyse erheblich. Damit lassen sich Aufgaben lösen, die ansonsten nur schwer zu bewältigen wären.“ 

Die Untersuchung eines neuartigen Datensatzes, der die Bildung von Perowskit-Dünnschichten dokumentiert, ermöglich ferner mithilfe von Deep Learning eine präzise Zuordnung der Prozessdaten zu Zielvariablen wie der Energieumwandlungseffizienz.

„Die Perowskit-Photovoltaik hat das Potenzial, den Photovoltaikmarkt zu revolutionieren“, sagt Paetzold. „Wir zeigen, wie Prozessschwankungen durch die Erweiterung der Charakterisierungsmethoden mit Techniken des Maschinellen Lernens quantitativ analysiert werden können. So lässt sich eine hohe Materialqualität und Schichthomogenität über große Flächen und viele Chargen hinweg sicherstellen. Dies ist ein entscheidender Schritt in Richtung industrieller Anwendbarkeit“, betont der Wissenschaftler.

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