KI beschleunigt die Entwicklung von neuen Materialien für Solarzellen
Da wir die Solarenergie in unser tägliches Leben integrieren, ist es wichtig geworden, Materialien zu finden, die Sonnenlicht effizient in Strom umwandeln. Während Silizium bisher die Solartechnik dominiert hat, gibt es auch eine stetige Hinwendung zu Materialien, die als Perowskite bekannt sind, weil sie kostengünstiger und einfacher herzustellen sind.
Die Herausforderung bestand jedoch darin, Perowskite mit der richtigen «Bandlücke» zu finden: ein bestimmter Energiebereich, der bestimmt, wie effizient ein Material Sonnenlicht absorbieren und in Elektrizität umwandeln kann, ohne es als Wärme zu verlieren.
Nun hat ein EPFL-Forschungsprojekt unter der Leitung von Haiyuan Wang und Alfredo Pasquarello in Zusammenarbeit mit Kollegen in Shanghai und Louvain-La-Neuve eine Methode entwickelt, die fortschrittliche Berechnungsmethoden mit maschinellem Lernen kombiniert, um optimale Perowskit-Materialien für photovoltaische Anwendungen zu finden. Dieser Ansatz könnte zu effizienteren und billigeren Solarzellen führen und die Standards der Solarindustrie verändern.
Die Forschenden begannen mit der Entwicklung eines umfassenden und hochwertigen Datensatzes von Bandlückenwerten für 246 Perowskitmaterialien. Der Datensatz wurde mit Hilfe fortschrittlicher Berechnungen auf der Grundlage von Hybridfunktionen erstellt – einer hochentwickelten Art von Berechnungen, die den Elektronenaustausch einbezieht und die herkömmliche Dichtefunktionaltheorie (DFT) verbessert. Die DFT ist eine quantenmechanische Modellierungsmethode, die zur Untersuchung der elektronischen Struktur von Vielteilchensystemen wie Atomen und Molekülen verwendet wird.
Die verwendeten Hybridfunktionale waren «dielektrikumsabhängig», was bedeutet, dass sie die elektronischen Polarisationseigenschaften des Materials in ihre Berechnungen einbezogen. Dadurch wurde die Genauigkeit der Bandlückenvorhersagen im Vergleich zu Standard-DFT erheblich verbessert, was besonders für Materialien wie Perowskite wichtig ist, bei denen Elektronenwechselwirkungen und Polarisationseffekte für ihre elektronischen Eigenschaften entscheidend sind.
Der resultierende Datensatz bildete eine solide Grundlage für die Identifizierung von Perowskit-Materialien mit optimalen elektronischen Eigenschaften für Anwendungen wie die Photovoltaik, bei denen eine genaue Kontrolle der Bandlückenwerte für die Maximierung der Effizienz unerlässlich ist.
Das Team nutzte dann die Bandlückenberechnungen, um ein maschinelles Lernmodell zu entwickeln, das auf die 246 Perowskite trainiert wurde, und wendete es auf eine Datenbank von rund 15 000 Kandidaten für Solarzellen an, um die Suche auf die vielversprechendsten Perowskite auf der Grundlage ihrer vorhergesagten Bandlücken und Stabilität einzugrenzen. Das Modell identifizierte 14 völlig neue Perowskite, die alle über Bandlücken und eine ausreichend hohe energetische Stabilität verfügen, um sie zu hervorragenden Kandidaten für hocheffiziente Solarzellen zu machen.
Die Arbeit zeigt, dass der Einsatz von maschinellem Lernen zur Rationalisierung der Entdeckung und Validierung neuer photovoltaischer Materialien die Kosten senken und die Einführung der Solarenergie erheblich beschleunigen kann, wodurch unsere Abhängigkeit von fossilen Brennstoffen verringert und die globalen Bemühungen zur Bekämpfung des Klimawandels unterstützt werden.
