Nachhaltiges Design organischer Solarzellen unter Einsatz von Maschinen- und Deep Learning

Intelligentere Solarzellen für eine sich wandelnde Welt

Solarmodule sind inzwischen auf Dächern und in Freiflächen vertraute Anblicke, doch vielen ist nicht bewusst, dass im Labor neue Arten leichter, flexibler „Kunststoff“-Solarzellen entstehen. Dieser Beitrag beschreibt, wie Forschende Computersimulationen und künstliche Intelligenz nutzen, um diese organischen Solarzellen so zu entwerfen, dass sie mehr Sonnenlicht in Strom umwandeln, weniger Material verschwenden und die globalen Klima‑ und Nachhaltigkeitsziele besser unterstützen.

Was diese Solarzellen anders macht

Traditionelle Solarmodule bestehen meist aus starren Siliziumwafern. Organische Solarzellen dagegen werden aus dünnen, kohlenstoffbasierten Schichten aufgebaut, die auf flexible Träger gedruckt werden können. Sie sind leicht, farbig und potenziell günstiger herzustellen. Der Nachteil ist, dass ihre Effizienz – also der Anteil der Sonnenenergie, den sie in nutzbare Energie umwandeln – historisch hinter Silizium zurückblieb. Dank neuer organischer Materialien haben Geräte im Labor bereits Effizienzen über 18 Prozent erreicht. Um noch weiter zu kommen, müssen Wissenschaftler*innen den inneren Schichtaufbau, der die Ladungsträger transportiert, sorgfältig abstimmen, insbesondere die Elektronentransportschicht, die Lochtransportschicht und die dazwischenliegende lichtabsorbierende aktive Schicht.

Virtuelle Experimente statt Versuch und Irrtum

Statt unzählige Testzellen im Labor zu fertigen, nutzen die Autor*innen ein detailliertes Computerprogramm namens SCAPS‑1D, um „virtuelle Experimente“ durchzuführen. Im Mittelpunkt steht eine spezifische Gerätearchitektur, die eine aktive Mischung namens PBDB‑T:IT‑M zwischen einer Lochtransportschicht (PEDOT:PSS) und einer Elektronentransportschicht (PFN‑Br) einbettet, mit transparentem Indiumzinnoxid auf der einen Seite und Aluminium auf der anderen. Zuerst prüfen sie, ob der Simulator veröffentlichte Laborergebnisse reproduziert, und stellen fest, dass er zentrale Kennwerte – Spannung, Strom und Gesamteffizienz – sehr genau wiedergibt. Das gibt ihnen Vertrauen, neue Entwürfe am Computer zu erforschen, noch bevor Materialien gemischt oder in einem Reinraum beschichtet werden.

Den Sweet Spot im Schichtstapel finden

Mit dem validierten virtuellen Bauteil passt das Team systematisch Materialien und Dicken jeder Schicht an, um zu sehen, welche Kombination am besten funktioniert. Unter mehreren Kandidaten für die Elektronentransportschicht schneidet PFN‑Br am besten ab, vor allem weil seine inneren Energieniveaus gut mit der aktiven Schicht korrespondieren und es Elektronen reibungslos zum Metallkontakt leiten hilft. Variieren sie die PFN‑Br‑Dicke von 5 bis 30 Nanometern (ein Nanometer ist ein milliardstel Meter), zeigt sich, dass sehr dünne Schichten – etwa 5 bis 10 Nanometer – die höchste Effizienz liefern. Dichtere Schichten erhöhen den Widerstand und führen zu größeren Energieverlusten. Für die aktive Schicht selbst führt eine größere Dicke zu besserer Lichtexorption, erschwert aber zugleich das Entkommen der Ladungsträger vor ihrer Rekombination. Die Simulationen zeigen eine ideale Dicke nahe 300 Nanometern, bei der Lichtabsorption und Ladungstransport gut ausbalanciert sind.

Künstliche Intelligenz lernt die besten Entwürfe

Viele detaillierte Simulationen dauern trotzdem lange, daher ergänzen die Forschenden ein zweites Werkzeug: künstliche Intelligenz. Sie erzeugen einen Datensatz von 300 simulierten Solarzellen mit unterschiedlichen Dicken für die beiden Transportschichten und die aktive Schicht. Dann trainieren sie zwei Arten von KI‑Modellen – Faltungsneuronale Netze (CNNs) und Support‑Vector‑Regression (SVR) – um Schlüsselergebnisse vorherzusagen: Gesamteffizienz und Leerlaufspannung. Einmal trainiert, kann das CNN diese Leistungsgrößen für neue Entwürfe sofort abschätzen, ohne die vollständige physikalische Simulation erneut auszuführen. In Tests sagt das CNN die Effizienz mit deutlich geringeren Fehlern voraus als SVR und erfasst die subtilen, nichtlinearen Wege, auf denen kleine Dickenänderungen das Verhalten des Bauteils beeinflussen.

Bessere Solarzellen verknüpfen mit einer grüneren Zukunft

Über das Labor hinaus verknüpft das Team seine Ergebnisse mit globalen Nachhaltigkeitszielen. Durch die annähernde Verdopplung der simulierten Effizienz – von etwa 12 Prozent auf rund 19,5 Prozent – kann eine optimierte organische Solarzelle mehr Energie auf derselben Fläche erzeugen und so Material-, Flächen- und Trägerhardwarebedarf reduzieren. Das unterstützt sauberere und erschwinglichere Energie (SDG 7), innovativere und effizientere Industrien (SDG 9), verantwortungsvolleren Ressourceneinsatz (SDG 12) und stärkere Maßnahmen gegen den Klimawandel (SDG 13). Vereinfacht gesagt zeigt diese Arbeit, wie die Kombination aus virtuellem Testen und KI helfen kann, intelligenter Solarzellen schneller zu entwerfen, Abfall zu reduzieren und das Einsetzen flexibler, leistungsfähiger Solartechnologien im Alltag zu beschleunigen.

Zitation: Mohyeldien, O.M., El-Amary, N.H. & Al Bardawil, A. Sustainable design of organic solar cells utilized machine and deep learning. Sci Rep 16, 3728 (2026). https://doi.org/10.1038/s41598-026-35067-7

Schlüsselwörter: organische Solarzellen, maschinelles Lernen, Optimierung der Schichtdicke, photovoltaische Effizienz, nachhaltige Energie