Progettazione sostenibile di celle solari organiche tramite machine e deep learning

Celle solari più intelligenti per un mondo in cambiamento

I pannelli solari sono ormai una vista familiare sui tetti e nei campi, ma molti non sanno che in laboratorio stanno emergendo nuovi tipi di celle solari leggere e flessibili “in plastica”. Questo articolo esplora come i ricercatori usino simulazioni al computer e intelligenza artificiale per progettare queste celle solari organiche in modo che convertano più luce solare in elettricità, sprechino meno materiali e sostengano meglio gli obiettivi globali di clima e sostenibilità.

Che cosa rende diverse queste celle solari

I pannelli solari tradizionali sono generalmente realizzati con rigidi wafer di silicio. Le celle solari organiche, al contrario, sono costruite da sottili strati a base di carbonio che possono essere stampati su supporti flessibili. Possono essere leggere, colorate e potenzialmente più economiche da fabbricare. Il rovescio della medaglia è che la loro efficienza—la percentuale di energia solare convertita in potenza utile—è storicamente inferiore rispetto al silicio. Grazie a nuovi materiali organici, dispositivi di laboratorio hanno già superato il 18% di efficienza. Per spingersi oltre, gli scienziati devono mettere a punto attentamente la pila interna di strati che trasportano cariche elettriche, in particolare lo strato di trasporto degli elettroni, lo strato di trasporto delle lacune e lo strato attivo assorbente di luce interposto.

Usare esperimenti virtuali invece del tentativo ed errore

Invece di costruire innumerevoli celle di prova in laboratorio, gli autori usano un programma al computer dettagliato chiamato SCAPS‑1D per eseguire “esperimenti virtuali”. Si concentrano su una specifica struttura del dispositivo che incasta una miscela attiva chiamata PBDB‑T:IT‑M tra uno strato di trasporto delle lacune (PEDOT:PSS) e uno strato di trasporto degli elettroni (PFN‑Br), con ossido di indio-stagno trasparente da un lato e alluminio dall’altro. Innanzitutto verificano che il simulatore corrisponda ai risultati pubblicati in laboratorio e trovano che riproduce molto fedelmente misure chiave—tensione, corrente ed efficienza complessiva. Questo dà loro fiducia per esplorare nuovi progetti al computer, molto prima che qualsiasi materiale venga miscelato o depositato in una camera bianca.

Trovare il punto ottimale nella pila degli strati

Con il dispositivo virtuale validato, il team regola sistematicamente i materiali e gli spessori di ciascuno strato per vedere quale combinazione funziona meglio. Tra diversi candidati per lo strato di trasporto degli elettroni, PFN‑Br si comporta meglio, principalmente perché i suoi livelli energetici interni si allineano bene con lo strato attivo e facilitano lo scorrimento degli elettroni verso il contatto metallico. Variando lo spessore di PFN‑Br da 5 a 30 nanometri (un nanometro è un miliardesimo di metro), osservano che strati molto sottili—intorno a 5–10 nanometri—offrono l’efficienza più alta. Strati più spessi introducono resistenza aggiuntiva, causando maggiori perdite energetiche. Per lo strato attivo stesso, aumentare lo spessore permette di catturare più luce, ma rende anche più difficile la fuga delle cariche prima che si ricombinino. Le simulazioni mostrano uno spessore ideale vicino ai 300 nanometri, dove assorbimento della luce e trasporto di carica risultano ben bilanciati.

Lasciare che l’intelligenza artificiale apprenda i migliori progetti

Eseguire molte simulazioni dettagliate richiede comunque tempo, quindi i ricercatori aggiungono un secondo strumento: l’intelligenza artificiale. Generano un set di dati di 300 celle solari simulate con diverse scelte di spessore per i due strati di trasporto e lo strato attivo. Poi addestrano due tipi di modelli AI—reti neurali convoluzionali (CNN) e regressione a vettori di supporto (SVR)—per prevedere risultati chiave: efficienza complessiva e tensione a circuito aperto. Una volta addestrata, la CNN può stimare istantaneamente questi valori di prestazione per nuovi progetti senza rieseguire la simulazione fisica completa. Nei test, la CNN predice l’efficienza con errori molto più piccoli rispetto alla SVR, catturando i modi sottili e non lineari in cui piccole variazioni di spessore influenzano il comportamento del dispositivo.

Collegare celle solari migliori a un futuro più verde

Oltre il laboratorio, il team collega i propri risultati agli obiettivi di sostenibilità globali. Raddoppiando quasi l’efficienza simulata—da circa il 12% a circa il 19,5%—una cella solare organica ottimizzata può generare più potenza dalla stessa superficie, riducendo la quantità di materiale, terreno e strutture di supporto richiesti. Questo favorisce un’energia più pulita e conveniente (ODG 7), industrie più innovative ed efficienti (ODG 9), un uso più responsabile delle risorse (ODG 12) e un’azione più forte sul cambiamento climatico (ODG 13). In termini semplici, questo lavoro mostra come combinare test virtuali e AI possa aiutare a progettare più rapidamente celle solari intelligenti, riducendo gli sprechi e accelerando l’arrivo di tecnologie solari flessibili e ad alte prestazioni nella vita di tutti i giorni.

Citazione: 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

Parole chiave: celle solari organiche, apprendimento automatico, ottimizzazione dello spessore degli strati, efficienza fotovoltaica, energia sostenibile