Duurzaam ontwerp van organische zonnecellen met behulp van machine- en deep learning

Slimmere zonnecellen voor een veranderende wereld

Zonnepanelen zijn tegenwoordig een vertrouwd beeld op daken en in velden, maar veel mensen weten niet dat nieuwe soorten lichtgewicht, flexibele "kunststof"-zonnecellen in laboratoria opkomen. Dit artikel onderzoekt hoe onderzoekers computersimulaties en kunstmatige intelligentie gebruiken om deze organische zonnecellen zo te ontwerpen dat ze meer zonlicht in elektriciteit omzetten, minder materiaal verspillen en beter bijdragen aan wereldwijde klimaat- en duurzaamheidsdoelstellingen.

Wat deze zonnecellen anders maakt

Traditionele zonnepanelen worden meestal gemaakt van stijve siliciumwafers. Organische zonnecellen daarentegen bestaan uit dunne koolstofgebaseerde lagen die op flexibele folies gedrukt kunnen worden. Ze kunnen licht van gewicht, kleurrijk en potentieel goedkoper in productie zijn. Het nadeel is dat hun efficiëntie — hoeveel van de energie van de zon ze in bruikbare stroom omzetten — historisch achterbleef bij silicium. Dankzij nieuwe organische materialen hebben apparaten in het lab al een efficiëntie van meer dan 18 procent bereikt. Om nog verder te komen, moeten wetenschappers de interne stapel van lagen die elektrische ladingen vervoeren nauwkeurig afstemmen, vooral de elektronentransportlaag, de gatentransportlaag en de lichtabsorberende actieve laag daartussenin.

Virtuele experimenten in plaats van proefondervindelijkheid

In plaats van talloze testcellen in het lab te bouwen, gebruiken de auteurs een gedetailleerd computerprogramma genaamd SCAPS-1D om "virtuele experimenten" uit te voeren. Ze richten zich op een specifieke apparaatstructuur die een actieve menging genaamd PBDB-T:IT-M insluit tussen een gatentransportlaag (PEDOT:PSS) en een elektronentransportlaag (PFN-Br), met transparant indiumtinoxide aan de ene kant en aluminium aan de andere kant. Eerst controleren ze of de simulator overeenkomt met gepubliceerde laboratoriumresultaten en stellen vast dat hij belangrijke grootheden — spanning, stroom en totale efficiëntie — zeer nauwkeurig reproduceert. Dat geeft hen het vertrouwen om nieuwe ontwerpen op de computer te verkennen, lang voordat materialen gemengd of gecoat worden in een cleanroom.

De gulden middenweg vinden in de laagstapel

Met het gevalideerde virtuele apparaat past het team systematisch de materialen en diktes van elke laag aan om te zien welke combinatie het beste werkt. Onder verschillende kandidaten voor de elektronentransportlaag presteert PFN-Br het beste, voornamelijk omdat zijn interne energieniveaus goed uitlijnen met de actieve laag en het elektronen soepel naar het metalen contact laat bewegen. Wanneer ze de dikte van PFN-Br variëren van 5 tot 30 nanometer (een nanometer is een miljardste van een meter), zien ze dat zeer dunne lagen — rond 5 tot 10 nanometer — de hoogste efficiëntie geven. Dikkere lagen introduceren extra weerstand, met meer energieverlies tot gevolg. Voor de actieve laag zelf zorgt het dikker maken ervoor dat er meer licht wordt opgevangen, maar het maakt het ook moeilijker voor ladingen om te ontsnappen voordat ze recombineren. De simulaties tonen een ideale dikte rond 300 nanometer, waar lichtabsorptie en ladingstransport goed in balans zijn.

De kunstmatige intelligentie het beste ontwerp laten leren

Het uitvoeren van veel gedetailleerde simulaties kost nog steeds tijd, dus voegen de onderzoekers een tweede instrument toe: kunstmatige intelligentie. Ze genereren een dataset van 300 gesimuleerde zonnecellen met verschillende diktekeuzes voor de twee transportlagen en de actieve laag. Vervolgens trainen ze twee typen AI-modellen — convolutionele neurale netwerken (CNN's) en support vector regression (SVR) — om sleuteluitkomsten te voorspellen: de totale efficiëntie en de open-kettingspanning. Eenmaal getraind kan de CNN deze prestatiecijfers onmiddellijk schatten voor nieuwe ontwerpen zonder de volledige fysicasimulatie opnieuw te draaien. In tests voorspelt de CNN de efficiëntie met veel kleinere fouten dan SVR en legt zo de subtiele, niet-lineaire manieren vast waarop kleine veranderingen in dikte doorwerken in het gedrag van het apparaat.

Betere zonnecellen koppelen aan een groenere toekomst

Buiten het laboratorium koppelt het team hun resultaten aan wereldwijde duurzaamheidsdoelen. Door de gesimuleerde efficiëntie bijna te verdubbelen — van ongeveer 12 procent tot grofweg 19,5 procent — kan een geoptimaliseerde organische zonnecel meer stroom genereren vanaf hetzelfde oppervlak, waardoor de benodigde hoeveelheid materiaal, land en ondersteunende hardware afneemt. Dat ondersteunt schonere en betaalbaardere energie (SDG 7), innovatievere en efficiëntere industrieën (SDG 9), verantwoorder gebruik van hulpbronnen (SDG 12) en sterkere actie tegen klimaatverandering (SDG 13). Kortom, dit werk laat zien hoe het combineren van virtuele tests met AI kan helpen om sneller slimmere zonnecellen te ontwerpen, afval te verminderen en de komst van flexibele, hoogpresterende zonnetechnologieën in het dagelijks leven te versnellen.

Bronvermelding: 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

Trefwoorden: organische zonnecellen, machine learning, optimalisatie van laagdikte, fotovoltaïsche efficiëntie, duurzame energie