KI hilft bei Perowskit-Solarzellenproduktion

Solarzellen auf der Basis von Perowskit-Halbleitern könnten die Zukunft der PV-Modulproduktion sein: Mit kostengünstigen Ausgangsstoffen und einfachen Herstellungsmethoden können sie Forschenden des Karlsruher Institut für Technologie (KIT) zufolge mit bis zu 33 Prozent deutlich höhere Wirkungsgrade als herkömmliche Silizium-Solarzellen erreichen.

Diese Effizienz könnten die Zellen allerdings nur dank einer sehr hochwertigen und extrem dünnen Perowskit-Schicht, die nur einen Bruchteil der Dicke eines menschlichen Haares besitzt, erreichen, so die Forschenden. „Eine der größten Herausforderungen ist dabei, diese hochwertigen 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 KIT.

Im Produktionsprozess komme es aber selbst unter augenscheinlich perfekten Laborbedingungen immer wieder zu Schwankungen in der Qualität der Halbleiterschichten, für die man bislang keine Ursache finden konnte: „Dies verhindert letztendlich den raschen Start der industriellen Produktion dieser hocheffizienten Solarzellen, die wir für die Energiewende so dringend benötigen“, so Paetzold.

Ein interdisziplinäres Team aus den Perowskit-Solarzellen-Fachleute vom KIT und den Spezialistinnen und Spezialisten für Maschinelles Lernen und Erklärbare Künstliche Intelligenz (XAI) von Helmholtz Imaging und Helmholtz AI am DKFZ in Heidelberg hat sich daher zusammengefunden, um die Ursachen mit Hilfe von KI-Methoden zu suchen. Dafür habe man Neuronale Netzwerke mithilfe eines großen Datensatzes, der Videoaufnahmen der Photolumineszenz der Perowskit-Dünnschichten während des Herstellungsprozesses beinhaltete, trainiert und analysiert.

"Nicht mehr im Dunkeln die Nadel im Heuhaufen suchen"

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.

Tatsächlich sei es so gelungen, Variationen in der Photolumineszenz während der Produktion zu erkennen – und auch, dass dies die Beschichtungsqualität beeinflusst. Nach entsprechendem Training der Neuronalen Netzwerke habe die KI dann auch voraussagen können, 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 Ulrich W. 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.“