KI beschleunigt die Entdeckung neuer photovoltaischer Materialien

- EN- DE - FR- IT
KI beschleunigt die Entdeckung neuer photovoltaischer Materialien

Im Rahmen eines Forschungsprojekts der EPFL wurde eine auf maschinellem Lernen basierende Methode entwickelt, mit der große Datenbanken schnell und präzise durchsucht werden können, wodurch 14 neue Materialien für Solarzellen entdeckt werden konnten.

Mit der Integration der Solarenergie in unseren Alltag wurde es wichtig, nach Materialien zu suchen, die das Sonnenlicht effizient in Elektrizität umwandeln können. Während Silizium bis heute im Bereich der Solartechnologie führend ist, gibt es aufgrund der niedrigeren Kosten und einfacheren Herstellungsverfahren eine stetige Entwicklung hin zu Materialien, die als Perowskite bezeichnet werden.

Die Herausforderung besteht jedoch darin, Perowskite mit einer geeigneten "Bandlücke" zu finden, d. h. einem spezifischen Energiebereich, der bestimmt, wie effizient ein Material Sonnenlicht absorbieren und ohne Wärmeverlust in Elektrizität umwandeln kann.

Im Rahmen eines Forschungsprojekts der EPFL haben Haiyuan Wang und Alfredo Pasquarello in Zusammenarbeit mit Forschern aus Shanghai und Louvain-La-Neuve eine Methode entwickelt, die fortschrittliche Rechentechniken und maschinelles Lernen kombiniert, um nach den besten Perowskit-Materialien für Photovoltaik-Anwendungen zu suchen. Dieser Ansatz könnte zur Herstellung effizienterer und kostengünstigerer Solarpaneele führen und damit die Standards der Solarindustrie weiterentwickeln.

Die Forscherinnen und Forscher entwickelten zunächst einen umfassenden und qualitativ hochwertigen Datensatz zu den Bandlückenwerten von 246 Perowskitmaterialien. Der Datensatz wurde mithilfe fortschrittlicher Berechnungen erstellt, die auf Hybridfunktionalen basieren - einer ausgeklügelten Art der Berechnung, die den Elektronenaustausch einbezieht und die eher klassische Dichtefunktionaltheorie (DFT) verbessert. Die DFT ist eine quantenmechanische Modellierungsmethode, die zur Untersuchung der elektronischen Struktur von Mehrkörpersystemen wie Atomen und Molekülen dient.

Die verwendeten Hybridfunktionen waren "dielektrikumsabhängig", was bedeutet, dass sie die elektronisch polarisierenden Eigenschaften des Materials in ihre Berechnungen einbeziehen. Dadurch wurde die Genauigkeit der Bandlückenvorhersagen im Vergleich zur klassischen DFT erheblich verbessert. Dies ist besonders wichtig für Materialien wie Perowskite, bei denen die elektronische Wechselwirkung und Polarisationseffekte für die elektronischen Eigenschaften unerlässlich sind.

Der gewonnene Datensatz bildete eine solide Grundlage für die Identifizierung von Perowskitmaterialien mit optimalen elektronischen Eigenschaften für Anwendungen wie die Photovoltaik, wo eine genaue Kontrolle der Bandlückenwerte für eine maximale Effizienz entscheidend ist.

Das Team nahm dann die Bandlückenberechnungen wieder auf, um ein Modell für maschinelles Lernen zu entwickeln, indem es es auf die 246 Perowskite trainierte. Es wandte dieses Modell auf eine Datenbank mit etwa 15.000 Kandidatenmaterialien für Solarzellen an und grenzte die Suche auf die vielversprechendsten Perowskite ein, die auf der Grundlage ihrer vorhergesagten Bandlücken und ihrer Stabilität gefunden wurden. Mithilfe des Modells konnten 14 neue Perowskite identifiziert werden, die alle eine ausreichend hohe Bandlücke und Energiestabilität aufweisen, um sie zu hervorragenden Kandidaten für hocheffiziente Solarzellen zu machen.

Diese Arbeit zeigt, dass der Einsatz von maschinellem Lernen zur Erleichterung der Entdeckung und Validierung neuer Photovoltaikmaterialien die Kosten senken und die Einführung der Solarenergie erheblich beschleunigen kann. Dies verringert somit unsere Abhängigkeit von fossilen Brennstoffen und trägt zu den weltweiten Bemühungen zur Bekämpfung des Klimawandels bei.

Referenzen

Haiyuan Wang, Runhai Ouyang, Wei Chen, Alfredo Pasquarello. High-quality data enabling universality of band gap descriptor and discovery of new photovoltaic perovskites. JACS, 2. Mai 2024. DOI: 10.1021/jacs.4c03507