Predizione tramite machine learning di celle solari perovskite a doppio assorbitore senza piombo per aumentare l'efficienza PCE

Energia solare più pulita per la vita di tutti i giorni

I pannelli solari promettono elettricità economica e pulita, ma molti dei progetti di nuova generazione più efficienti si basano sul piombo, sollevando timori legati alla tossicità e alla stabilità a lungo termine. Questo studio esplora una strada più sicura progettando una cella solare priva di piombo che però cattura la luce solare in modo molto efficiente, e mostra come simulazioni al computer e machine learning possano collaborare per guidare i dispositivi che un giorno potresti vedere sui tetti o nei caricabatterie portatili.

Due strati che catturano la luce e lavorano in squadra

I ricercatori si concentrano su una classe speciale di materiali chiamata perovskite doppia senza piombo, che può essere sintonizzata per assorbire differenti colori della luce solare evitando elementi tossici. Invece di usare un unico film assorbente, impilano due strati assorbenti: uno superiore che preferisce la luce ad energia più alta (più blu) e uno inferiore che assorbe la luce a energia più bassa (più rossa) che lo attraversa. Questo design a “mezzo tandem” o a doppio assorbitore permette alla cella di raccogliere una porzione più ampia dello spettro solare senza il cablaggio complesso e il bilanciamento di corrente richiesti nei pannelli tandem completi.

Costruire uno stack senza piombo ad alte prestazioni

Per progettare il dispositivo, il team utilizza un simulatore di celle solari ampiamente adottato per testare molte strutture virtuali. Il layout con le migliori prestazioni inserisce il doppio assorbitore tra strati di trasporto di carica scelti con cura che agiscono come sensi unici per le cariche elettriche. Sul lato rivolto al sole, uno strato di SnS2 guida gli elettroni mentre blocca le lacune. Sul lato posteriore, uno strato di Sb2S3 svolge l’opposto, raccogliendo le lacune e bloccando gli elettroni. L’assorbitore superiore, fatto di Cs2TiCl6, ha un gap di banda più ampio e si trova sopra uno strato Cs2AgBiI6 con gap più stretto, così la luce viene assorbita a stadi mentre attraversa lo stack. L’oro o altri metalli ad alto lavoro di estrazione formano il contatto posteriore, aiutando le cariche a uscire dal dispositivo in modo efficiente.

Regolare spessori, difetti e drogaggio

Lo studio mostra che piccoli dettagli all’interno degli strati influenzano fortemente il funzionamento della cella. Se l’assorbitore superiore è troppo spesso, impedisce alla luce di raggiungere l’assorbitore inferiore e la corrente diminuisce. Se uno qualsiasi degli assorbitori contiene molti difetti, le cariche si ricombinano prima di poter essere raccolte, sprecando energia. Le simulazioni rivelano punti ottimali: uno strato sottile ma di alta qualità di Cs2TiCl6 di circa 100 nanometri sopra uno strato più spesso e a basso difetto di Cs2AgBiI6 attorno a 1000 nanometri. Regolare il numero di atomi caricati (drogaggio) in ciascun assorbitore e alle interfacce crea un campo elettrico interno che aiuta a separare elettroni e lacune. Quando i difetti nel bulk e alle interfacce sono mantenuti bassi e il drogaggio è ben tarato, il dispositivo virtuale raggiunge un’efficienza di conversione di potenza di circa il 32,7%, superiore alle versioni a strato singolo comparabili degli stessi materiali.

Lasciare che gli algoritmi vaglino le scelte progettuali

Esplorare ogni possibile combinazione di spessore, livello di difetti e drogaggio a mano sarebbe lento e inefficiente. Per accelerare il processo, gli autori inseriscono più di duemila casi simulati in diversi modelli di machine learning. Questi modelli apprendono come le variazioni dei parametri fisici influenzano gli output chiave della cella solare, come efficienza, tensione, corrente e fattore di riempimento. Tra le opzioni testate, un approccio chiamato extreme gradient boosting offre le previsioni più accurate, avvicinandosi molto ai risultati del simulatore. Usando una tecnica nota come analisi SHAP, il team classifica anche le caratteristiche più importanti, scoprendo che il drogaggio e lo spessore dell’assorbitore superiore e i livelli di difetto nell’assorbitore inferiore e alla loro interfaccia giocano i ruoli maggiori nel determinare le prestazioni.

Dalla progettazione al computer ai pannelli nel mondo reale

Per il lettore generale, il messaggio principale è che potrebbe essere possibile combinare alta efficienza con una chimica più sicura nelle celle solari future. Questo lavoro non costruisce un dispositivo fisico, ma traccia le condizioni in cui uno stack perovskite a doppio strato senza piombo potrebbe competere con i migliori progetti a base di piombo attuali. Accoppiando simulazioni fisiche dettagliate con il machine learning, lo studio offre una sorta di atlante di progettazione che i team sperimentali possono utilizzare per concentrarsi sulle combinazioni di strati e sugli obiettivi di fabbricazione più promettenti, avvicinando moduli solari più puliti ed efficienti all’uso quotidiano.

Citazione: 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

Parole chiave: celle solari perovskite senza piombo, cella solare a doppio assorbitore, machine learning, fotovoltaico, efficienza di conversione energetica