Maschinelles Lernen sagt blei-freie Dual-Absorber-Perowskit-Solarzellen voraus, um die PCE zu steigern

Sauberere Solarenergie für den Alltag

Solarzellen versprechen günstigen, sauberen Strom, doch viele der derzeit effizientesten Designs der nächsten Generation enthalten Blei, was Bedenken hinsichtlich Toxizität und Langzeitstabilität weckt. Diese Studie untersucht einen sichereren Weg, indem sie eine blei-freie Solarzelle entwirft, die dennoch Sonnenlicht sehr effizient einfängt, und zeigt, wie Computersimulationen und maschinelles Lernen zusammenarbeiten können, um künftige Geräte zu steuern, die Sie eines Tages auf Dächern oder in tragbaren Ladegeräten sehen könnten.

Zwei lichtaufnehmende Schichten arbeiten im Team

Die Forschenden konzentrieren sich auf eine spezielle Materialklasse, die sogenannten blei-freien Doppelperowskite, die sich so abstimmen lassen, dass sie unterschiedliche Farben des Sonnenlichts absorbieren und gleichzeitig toxische Elemente vermeiden. Anstatt eine einzelne lichtabsorbierende Schicht zu verwenden, stapeln sie zwei Absorberschichten: eine obere Schicht, die energiereiches (blaues) Licht bevorzugt, und eine untere Schicht, die durchgehendes, energieärmeres (röteres) Licht aufnimmt. Dieses „Halb-Tandem“- bzw. Dual-Absorber-Design ermöglicht es der Zelle, ein breiteres Spektrum des Sonnenlichts zu nutzen, ohne die komplexe Verschaltung und Stromanpassung, die in vollständigen Tandem-Solarzellen nötig ist.

Aufbau eines leistungsstarken blei-freien Stacks

Für das Design des Geräts verwendet das Team einen weit verbreiteten Solarzellensimulator, um viele virtuelle Strukturen zu testen. Das bestperformende Layout legt den Dual-Absorber zwischen sorgfältig ausgewählte Ladungstransportschichten, die wie Einbahnstraßen für elektrische Ladungen wirken. Zur sonnenzugewandten Seite leitet eine Schicht aus SnS2 Elektronen, während sie Löcher blockiert. Auf der Rückseite übernimmt eine Schicht aus Sb2S3 das Gegenteil, sie sammelt Löcher und blockiert Elektronen. Der obere Absorber aus Cs2TiCl6 besitzt eine größere Bandlücke und sitzt über einer engeren Bandlücke aus Cs2AgBiI6, sodass Licht in Stufen abgeschwächt wird, während es durch den Stack reist. Gold oder andere Metalle mit hohem Austrittsarbeitspotential bilden den Rückkontakt und helfen, Ladungen effizient aus dem Gerät zu führen.

Feinabstimmung von Dicke, Defekten und Dotierung

Die Studie zeigt, dass kleine Details innerhalb der Schichten die Leistung der Zelle stark beeinflussen. Wenn der obere Absorber zu dick ist, verhindert er, dass Licht die untere Schicht erreicht, wodurch der Strom abfällt. Enthält einer der Absorber viele Defekte, rekombinieren Ladungen, bevor sie gesammelt werden können, und Energie geht verloren. Die Simulationen legen sogenannte Sweet-Spots offen: eine dünne, aber hochwertige Cs2TiCl6-Schicht von etwa 100 Nanometern über einer dickeren, defektarmen Cs2AgBiI6-Schicht von rund 1000 Nanometern. Die Anpassung der Anzahl geladener Atome (Dotierung) in jedem Absorber und an den Grenzflächen erzeugt ein internes elektrisches Feld, das Elektronen und Löcher auseinanderzieht. Werden Volumen- und Grenzflächendefekte gering gehalten und die Dotierung gut abgestimmt, erreicht das virtuelle Gerät eine Leistungswandlungswirkungsgrad von etwa 32,7 Prozent, höher als vergleichbare Einkomponenten-Versionen derselben Materialien.

Algorithmen durchsieben Designoptionen

Alle möglichen Kombinationen aus Schichtdicken, Defektleveln und Dotierungen von Hand zu erkunden, wäre langsam und ineffizient. Um das zu beschleunigen, speisen die Autoren mehr als zweitausend simulierte Fälle in mehrere Modelle des maschinellen Lernens. Diese Modelle lernen, wie Änderungen der physikalischen Parameter wichtige Solarzellen-Ausgaben wie Effizienz, Spannung, Strom und Füllfaktor beeinflussen. Unter den getesteten Optionen liefert ein Ansatz namens Extreme Gradient Boosting die genauesten Vorhersagen und stimmt sehr gut mit den Simulatorergebnissen überein. Mithilfe einer Technik namens SHAP-Analyse ordnet das Team außerdem, welche Merkmale am wichtigsten sind, und stellt fest, dass die Dotierung und Dicke des oberen Absorbers sowie die Defektlevel im unteren Absorber und an der Grenzfläche die größten Einflüsse auf die Leistung haben.

Vom Computermodell zu realen Modulen

Für eine allgemeine Leserschaft ist die Hauptbotschaft, dass es möglich sein könnte, hohe Effizienz mit sichererer Chemie in zukünftigen Solarzellen zu verbinden. Diese Arbeit baut kein physisches Gerät auf, sondern kartiert die Bedingungen, unter denen ein blei-freier, dualer Perowskit-Stack mit den besten heutigen blei-haltigen Designs konkurrieren könnte. Durch die Kombination detaillierter, physikbasierter Simulationen mit maschinellem Lernen bietet die Studie eine Art Designatlas, den experimentelle Teams nutzen können, um sich auf die vielversprechendsten Schichtkombinationen und Herstellungsziele zu konzentrieren und so sauberere und effizientere Solarmodule einen Schritt näher an den Alltagsgebrauch zu bringen.

Zitation: Elewa, S., Areed, N.F.F., Yousif, B. et al. Machine learning prediction of dual absorber lead-free perovskite solar cells for boosting PCE. Sci Rep 16, 16027 (2026). https://doi.org/10.1038/s41598-026-51970-5

Schlüsselwörter: bleifreie Perowskit-Solarzellen, Dual-Absorber-Solarzelle, maschinelles Lernen, Photovoltaik, Leistungswandlungswirkungsgrad