05 Dez KI für Perowskit-Solarzellen: Schlüssel zur besseren Produktion
Perowskit-Tandemsolarzellen kombinieren eine Perowskit- 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 % viel effizienter sind als herkömmliche Silizium-Solarzellen – bei kostengünstigen Ausgangsstoffen und einfachen Herstellungsmethoden. Um diese Technologie auf den Markt zu bringen, müssen Stabilität und Produktionsprozesse weiter verbessert werden.
Die Schichtqualität ist entscheidend
Voraussetzung, um diesen Wirkungsgrad zu erreichen, ist eine sehr hochwertige und extrem dünne Perowskit-Schicht. „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 Karlsruher Institut für Technologie (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, die wir für die Energiewende so dringend benötigen“, so Paetzold.
Photolumineszenz verrät Schichtqualität
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 Deutschen Krebsforschungszentrum (DKFZ) in Heidelberg zusammengeschlossen. Die Forschenden haben KI-Methoden entwickelt, um die sogenannte Neuronale Netzwerke mithilfe eines großen Datensatzes zu trainieren und zu 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.
KI sagt den Wirkungsgrad voraus
Das Ergebnis: Die Forschenden 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 ist ein Paradigmenwechsel, und dass wir so systematisch hochrelevante Erkenntnisse in Materialwissenschaften gewinnen können, ist neu.“ Denn die Antwort nach der Variation der Photolumineszenz ermöglichte es den Forschenden weiterzugehen. Nach entsprechendem Training der Neuronalen Netzwerke konnte die KI laut den Forschenden 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 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.“
Originalpublikation
[Lukas Klein, Sebastian Ziegler, Felix Laufer, Charlotte Debus, Markus Götz, Klaus Maier-Hein, Ulrich W. Paetzold, Fabian Isensee, Paul F. Jäger: Discovering Process Dynamics for Scalable Perovskite Solar Cell Manufacturing with Explainable AI. Advanced Materials, 2023. DOI: 10.1002/adma.202307160]
Quelle: www.kit.edu
Bild: Amadeus Bramsiepe, KIT
