Perowskit-Solarzellen zeigen hohe Wirkungsgrade. An Langzeitstabilität und Hochskalierung hapert es aber noch. Eine KIT-Studie zeigt, wie sich das ändern lässt.
Künstliche Intelligenz unterstützt die Überwachung und Optimierung der Perowskit-Solarzellenfertigung.
Foto: Markus Breig, KIT / Grafik: Felix Laufer, KIT
Das Karlsruher Institut für Technologie (KIT) will Perowskit-Solarzellen zur Marktfähigkeit verhelfen. In einer in der Fachzeitschrift Energy and Environmental Science veröffentlichten Studie zeigen KIT-Professor Ulrich Wilhelm Paetzold und Team, dass Deep Learning – eine Methode des Maschinellen Lernens, die neuronale Netze nutzt – ein entscheidendes Instrument ist, um die erforderliche Messtechnik für die kommerzielle Fertigung von Perowskit-Solarzellen zu verbessern.
"Auf Basis von Messdaten, die während der Fertigung erfasst werden, lassen sich durch den Einsatz von Maschinellem Lernen Prozessfehler identifizieren, bevor die Solarzellen fertiggestellt sind", sagt Felix Laufer, wissenschaftlicher Mitarbeiter am Lichttechnischen Institut des KIT und Erstautor der Studie. Die Schnelligkeit und Leistungsfähigkeit der Methode verbessere die Datenanalyse erheblich. Zusätzliche Untersuchungsmethoden seien nicht notwendig.
Schritt in Richtung industrieller Anwendbarkeit
Perowskit-Solarzellen weisen bereits heute hohe Wirkungsgrade bei der Umwandlung von Sonnenenergie in elektrische Energie auf und können kostengünstig hergestellt werden. Zudem lassen sich die Zellen dünn und flexibel gestalten. Laut Paetzold bleiben aber Herausforderungen bei der Langzeitstabilität sowie bei der Hochskalierung auf große Flächen.
"Wir zeigen, wie Prozessschwankungen durch die Erweiterung der Charakterisierungsmethoden mit Techniken des Maschinellen Lernens quantitativ analysiert werden können", so der Physiker. So lasse sich eine hohe Materialqualität und Schichthomogenität über große Flächen und viele Chargen hinweg sicherstellen. Und das sei ein "entscheidender Schritt in Richtung industrieller Anwendbarkeit".
