Perowskit-Solarzellen sind eine flexible und nachhaltige Alternative zu herkömmlichen Solarzellen auf Siliziumbasis. Forscher des Karlsruher Instituts für Technologie (KIT) sind Teil eines internationalen Teams, das innerhalb weniger Wochen neue organische Moleküle finden konnte, die die Effizienz von Perowskit-Solarzellen steigern. Das Team nutzte eine clevere Kombination aus künstlicher Intelligenz (KI) und automatisierter Hochdurchsatzsynthese. Ihre Strategie lässt sich auch auf andere Bereiche der Materialforschung übertragen, beispielsweise auf die Suche nach neuen Batteriematerialien.
Um herauszufinden, welches von einer Million verschiedener Moleküle positive Ladungen leitet und Perowskit-Solarzellen besonders effizient macht, müsste man sie alle synthetisieren und testen – oder wie es die Forscher um Tenure-Track-Professor Pascal Friederich tun ist am Institut für Nanotechnologie des KIT auf Anwendungen von KI in der Materialwissenschaft spezialisiert, und Professor Christoph Brabec vom Helmholtz-Institut Erlangen-Nürnberg (HI ERN). „Mit nur 150 gezielten Experimenten konnten wir einen Durchbruch erzielen, der sonst Hunderttausende Tests erfordert hätte. Der von uns entwickelte Workflow wird neue Wege eröffnen, um schnell und wirtschaftlich Hochleistungsmaterialien für ein breites Anwendungsspektrum zu entdecken.“ „, sagte Brabec. Mit einem der entdeckten Materialien steigerten sie den Wirkungsgrad einer Referenzsolarzelle um rund zwei Prozentpunkte auf 26,2 Prozent. „Unser Erfolg zeigt, dass durch geschickte Strategien zur Entdeckung neuer Energiematerialien enorm viel Zeit und Ressourcen eingespart werden können“, sagte Friedrich.
Ausgangspunkt am HI ERN war eine Datenbank mit Strukturformeln für rund eine Million virtuelle Moleküle, die aus kommerziell erhältlichen Substanzen synthetisiert werden konnten. Aus diesen virtuellen Molekülen wurden 13.000 zufällig ausgewählt. Die Forscher des KIT verwendeten etablierte quantenmechanische Methoden, um deren Energieniveaus, Polarität, Geometrie und andere Eigenschaften zu bestimmen.
KI-Training mit Daten von nur 101 Molekülen
Aus den 13.000 Molekülen wählten die Wissenschaftler die 101 mit den größten Unterschieden in ihren Eigenschaften aus, synthetisierten sie mit Robotersystemen am HI ERN, stellten daraus ansonsten identische Solarzellen her und maßen anschließend die Effizienz der Solarzellen. „Dank unserer hochautomatisierten Syntheseplattform wirklich vergleichbare Proben herstellen zu können und damit verlässliche Effizienzwerte ermitteln zu können, war entscheidend für den Erfolg unserer Strategie“, sagte Brabec, der die Arbeit am HI ERN leitete.
Die Forscher am KIT nutzten die erreichten Effizienzen und die Eigenschaften der zugehörigen Moleküle, um ein KI-Modell zu trainieren, das 48 weitere Moleküle zur Synthese vorschlug. Seine Vorschläge basierten auf zwei Kriterien: hohe erwartete Effizienz und unvorhersehbare Eigenschaften. „Wenn das maschinelle Lernmodell unsicher über die vorhergesagte Effizienz ist, lohnt es sich, das Molekül zu synthetisieren und genauer unter die Lupe zu nehmen“, erläutert Friederich das zweite Kriterium. „Es könnte uns mit einem hohen Effizienzniveau überraschen.“
Mit den von der KI vorgeschlagenen Molekülen war es tatsächlich möglich, Solarzellen mit überdurchschnittlicher Effizienz zu bauen, die teilweise sogar die Fähigkeiten der fortschrittlichsten derzeit verwendeten Materialien übertrafen. „Wir können nicht sicher sein, dass wir wirklich das beste von einer Million Molekülen gefunden haben, aber wir sind auf jeden Fall nah am Optimum“, sagte Friederich.
KI versus chemische Intuition
Da die Forscher eine KI verwendeten, die angibt, auf welchen Eigenschaften der virtuellen Moleküle ihre Vorschläge basierten, konnten sie einige Einblicke in die vorgeschlagenen Moleküle gewinnen. Sie stellten beispielsweise fest, dass die KI-Vorschläge teilweise auf dem Vorhandensein bestimmter chemischer Gruppen wie Amine basieren, die Chemiker zuvor vernachlässigt hatten.
Brabec und Friederich glauben, dass ihre Strategie für andere Anwendungen in der Materialwissenschaft vielversprechend ist oder auf die Optimierung ganzer Bauteile ausgeweitet werden kann.
Die Ergebnisse, die das Ergebnis einer Forschung sind, die in Zusammenarbeit mit Wissenschaftlern der FAU Erlangen-Nürnberg, des südkoreanischen Ulsan National Institute of Science und der chinesischen Xiamen University und University of Electronic Science and Technology durchgeführt wurde, wurden kürzlich in der Zeitschrift veröffentlicht Wissenschaft.
