{"id":95427,"date":"2023-11-20T02:30:49","date_gmt":"2023-11-20T01:30:49","guid":{"rendered":"https:\/\/www.sonnenseite.com\/?p=95427"},"modified":"2023-11-20T09:51:28","modified_gmt":"2023-11-20T08:51:28","slug":"ki-fuer-perowskit-solarzellen-schluessel-zur-besseren-produktion","status":"publish","type":"post","link":"https:\/\/www.sonnenseite.com\/de\/wissenschaft\/ki-fuer-perowskit-solarzellen-schluessel-zur-besseren-produktion\/","title":{"rendered":"KI f\u00fcr Perowskit-Solarzellen: Schl\u00fcssel zur besseren Produktion"},"content":{"rendered":"\n

Methoden der K\u00fcnstlichen Intelligenz zeigen Forschenden den Weg zu verbesserten Herstellungsprozessen f\u00fcr hocheffiziente Solarzellen \u2013 Blaupause f\u00fcr andere Forschungsfelder.<\/p>\n\n\n\n

Tandemsolarzellen auf Basis von Perowskit-Halbleitern k\u00f6nnen das Sonnenlicht effizienter in Strom umwandeln als herk\u00f6mmliche Silizium-Solarzellen. Um diese Technologie auf den Markt zu bringen, m\u00fcssen Stabilit\u00e4t und Produktionsprozesse weiter verbessert werden. Forschende des Karlsruher Instituts f\u00fcr Technologie (KIT) sowie der Plattformen Helmholtz Imaging am Deutschen Krebsforschungszentrum (DKFZ) und Helmholtz AI, haben nun einen Weg gefunden, die Qualit\u00e4t der Perowskit-Schichten und damit der Solarzellen vorherzusagen: Mit Maschinellem Lernen und neuen Methoden der K\u00fcnstlichen Intelligenz (KI) l\u00e4sst sich diese bereits bei der Herstellung aus Variationen in der Lichtemission erkennen. \u00dcber die Ergebnisse, aus denen sich verbesserte Produktionsprozesse ableiten lassen, berichtet das Team in Advanced Materials (DOI: 10.1002\/adma.202307160<\/a>).<\/p>\n\n\n\n

Perowskit-Tandemsolarzellen kombinieren eine Perowskit- mit einer konventionellen Solarzelle, beispielsweise auf Basis von Silizium. Sie gelten als Technologie der n\u00e4chsten Generation, da sie mit einem Wirkungsgrad von derzeit mehr als 33 Prozent viel effizienter sind als herk\u00f6mmliche Silizium-Solarzellen \u2013 bei kosteng\u00fcnstigen Ausgangsstoffen und einfachen Herstellungsmethoden. Voraussetzung, um diesen Wirkungsgrad zu erreichen, ist eine sehr hochwertige und extrem d\u00fcnne Perowskit-Schicht, die nur einen Bruchteil der Dicke eines menschlichen Haares besitzt. \u201eEine der gr\u00f6\u00dften Herausforderungen ist dabei, diese hochwertigen sogenannten multikristallinen D\u00fcnnschichten mit kosteng\u00fcnstigen und skalierbaren Verfahren ohne Defekte und L\u00f6cher herzustellen\u201c, erkl\u00e4rt Tenure-Track-Professor Ulrich W. Paetzold vom Institut f\u00fcr Mikrostrukturtechnik sowie vom Lichttechnischen Institut des KIT. Selbst unter augenscheinlich perfekten Bedingungen im Labor f\u00fchren unbekannte Einfl\u00fcsse zu Schwankungen in der Qualit\u00e4t der Halbleiterschichten: \u201eDies verhindert letztendlich den raschen Start der industriellen Produktion dieser hocheffizienten Solarzellen, die wir f\u00fcr die Energiewende so dringend ben\u00f6tigen\u201c, so Paetzold.<\/p>\n\n\n\n

KI findet verborgene Indizien f\u00fcr eine gute Beschichtung<\/h4>\n\n\n\n

Um herauszufinden, welche Faktoren die Beschichtung beeinflussen, hat sich ein interdisziplin\u00e4res Team aus den Perowskit-Solarzellen-Fachleute vom KIT mit Spezialistinnen und Spezialisten f\u00fcr Maschinelles Lernen und Erkl\u00e4rbare K\u00fcnstliche Intelligenz  (XAI) von Helmholtz Imaging und Helmholtz AI am DKFZ in Heidelberg zusammengeschlossen. Die Forschenden haben KI-Methoden entwickelt, die sogenannte Neuronale Netzwerke mithilfe eines gro\u00dfen Datensatzes trainieren und analysieren. Der Datensatz beinhaltet Videoaufnahmen der Photolumineszenz der Perowskit-D\u00fcnnschichten w\u00e4hrend des Herstellungsprozesses. Photolumineszenz bezeichnet die strahlende Emission der Halbleiterschichten nach Anregung durch eine externe Lichtquelle. \u201eDa selbst Fachleute nichts Bemerkenswertes auf den D\u00fcnnschichten erkennen konnten, entstand die Idee, eine KI f\u00fcr Maschinelles Lernen (Deep Learning) darauf zu trainieren, verborgene Indizien f\u00fcr eine gute oder schlechte Beschichtung in den Millionen Daten aus den Videos zu finden\u201c, erkl\u00e4ren 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 Erkl\u00e4rbaren K\u00fcnstlichen Intelligenz.<\/p>\n\n\n\n

\u201eBlaupause f\u00fcr Folgeforschung\u201c<\/h4>\n\n\n\n

Das Ergebnis: Die Forschenden konnten im Versuch erkennen, dass die Photolumineszenz w\u00e4hrend der Produktion variiert und dies die Beschichtungsqualit\u00e4t beeinflusst. \u201eEntscheidend bei der Arbeit war, dass wir XAI-Methoden gezielt eingesetzt haben, um zu sehen, welche Faktoren sich f\u00fcr eine hochwertige Solarzelle \u00e4ndern m\u00fcssten\u201c, so Klein und Ziegler. Das sei \u00fcblicherweise nicht der Fall. Meist nutze man XAI nur als eine Art Leitplanke, um Fehler beim Bauen von KI-Modellen zu vermeiden: \u201eDas ist ein Paradigmenwechsel, und dass wir so systematisch hochrelevante Erkenntnisse in Materialwissenschaften gewinnen k\u00f6nnen, ist neu.\u201c Denn die Antwort nach der Variation der Photolumineszenz erm\u00f6glichte es den Forschenden weiterzugehen. Nach entsprechendem Training der Neuronalen Netzwerke konnte die KI voraussagen, ob die Solarzelle einen niedrigen oder hohen Wirkungsgrad erreicht, je nachdem wann welche Variation in der Lichtemission im Laufe der Produktion stattfand. \u201eDas sind extrem spannende Ergebnisse\u201c, so Ulrich W. Paetzold. \u201eDank des kombinierten Einsatzes der KI haben wir eine Idee, an welchen Stellschrauben wir zuallererst drehen m\u00fcssen, um die Produktion zu verbessern. Wir k\u00f6nnen unsere Experimente zielgerichteter durchf\u00fchren und m\u00fcssen nicht mehr im Dunkeln die Nadel im Heuhaufen suchen. Das ist eine Blaupause f\u00fcr Folgeforschung, auch f\u00fcr viele weitere Aspekte in der Energieforschung und den Materialwissenschaften.\u201c<\/p>\n\n\n\n