Machine learning-voorspelling van loodvrije dual-absorber perovskiet-zonnecellen om PCE te verhogen

Schoner zonne-energie voor het dagelijks leven

Zonnepanelen beloven goedkope, schone elektriciteit, maar veel van de meest efficiënte ontwerpen van de volgende generatie gebruiken lood, wat zorgen oproept over toxiciteit en lange termijn stabiliteit. Deze studie onderzoekt een veiliger route door een loodvrije zonnecel te ontwerpen die toch zonlicht zeer efficiënt opvangt, en toont hoe computersimulaties en machine learning kunnen samenwerken om toekomstige apparaten te sturen die u op daken of in draagbare opladers zou kunnen tegenkomen.

Twee lichtvanglagen die samenwerken

De onderzoekers richten zich op een speciale klasse materialen die loodvrije dubbele perovskieten worden genoemd; deze zijn te tunen om verschillende kleuren zonlicht te absorberen en vermijdend tóxische elementen. In plaats van een enkele lichtabsorberende film stapelen ze twee absorbers: een bovenlaag die voorkeur heeft voor hoger-energie (blauwer) licht en een onderlaag die lager-energie (roder) licht opvangt dat doordringt. Dit "half-tandem" of dual-absorber ontwerp laat de cel een breder deel van het zonnespectrum benutten zonder de complexe bedrading en stroomafstemming die bij volledige tandem-panelen nodig is.

Een hoog presterende loodvrije stapel bouwen

Om het apparaat te ontwerpen gebruikt het team een breed toegepaste zonnecelsimulator om veel virtuele structuren te testen. De best presterende opbouw plaatst de dual absorber tussen zorgvuldig gekozen ladings-transportlagen die werken als eenrichtingswegen voor elektrische ladingen. Aan de zonzijde leidt een laag SnS2 elektronen terwijl gaten worden geblokkeerd. Aan de achterzijde doet een laag Sb2S3 het omgekeerde: die verzamelt gaten en blokkeert elektronen. De bovenste absorber, gemaakt van Cs2TiCl6, heeft een grotere bandopening en bevindt zich boven een smallere bandopening Cs2AgBiI6-laag, zodat licht in fasen wordt afgeschermd terwijl het door de stapel reist. Goud of andere metalen met een hoge werkfunctie vormen het achtercontact en helpen ladingen efficiënt het apparaat te verlaten.

Het afstemmen van dikte, defecten en doping

De studie toont aan dat kleine details in de lagen sterk bepalen hoe goed de cel werkt. Als de bovenste absorber te dik is, blokkeert die licht dat de onderste absorber zou bereiken en daalt de stroom. Als een van beide absorbers veel defecten bevat, recombineren ladingen voordat ze verzameld kunnen worden, waardoor energie verloren gaat. De simulaties onthullen optimale punten: een dun maar hoogwaardige Cs2TiCl6-laag van ongeveer 100 nanometer bovenop een dikkere, laag-defect Cs2AgBiI6-laag van circa 1000 nanometer. Het aanpassen van het aantal geladen atomen (doping) in elke absorber en bij de interfaces creëert een intern elektrisch veld dat helpt elektronen en gaten te scheiden. Wanneer bulk- en interface-defecten laag worden gehouden en de doping goed is afgesteld, bereikt het virtuele apparaat een vermogenconversie-efficiëntie van ongeveer 32,7 procent, hoger dan vergelijkbare enkelvoudige lagen van dezelfde materialen.

Algoritmes laten ontwerpen doorzoeken

Het doorlopen van elke mogelijke combinatie van dikte, defectniveau en doping met de hand zou traag en inefficiënt zijn. Om dit te versnellen voeren de auteurs meer dan tweeduizend gesimuleerde gevallen in meerdere machine learning-modellen. Deze modellen leren hoe veranderingen in de fysische parameters de belangrijke uitgangen van de zonnecel beïnvloeden, zoals efficiëntie, spanning, stroom en vulfactor. Van de geteste opties levert een methode genaamd extreme gradient boosting de meest nauwkeurige voorspellingen, die dicht bij de simulatorresultaten liggen. Met een techniek bekend als SHAP-analyse rangschikt het team ook welke kenmerken het belangrijkst zijn, en vindt dat de doping en dikte van de bovenste absorber en de defectniveaus in de onderste absorber en bij hun interface de grootste rol spelen in de prestaties.

Van computerontwerp naar echte panelen

Voor een algemeen publiek is de belangrijkste boodschap dat het mogelijk zou kunnen zijn om hoge efficiëntie te combineren met veiligere chemie in toekomstige zonnecellen. Dit werk bouwt geen fysiek apparaat, maar brengt de condities in kaart waaronder een loodvrije, tweelaagse perovskiet-stapel kan concurreren met de beste loodhoudende ontwerpen van vandaag. Door gedetailleerde fysische simulaties te koppelen aan machine learning biedt de studie een soort ontwerpatlas die experimentele teams kunnen gebruiken om zich te concentreren op de meest veelbelovende laagcombinaties en fabricagedoelen, en zo schonere en efficiëntere zonne-modules een stap dichter bij dagelijks gebruik te brengen.

Bronvermelding: 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

Trefwoorden: loodvrije perovskiet-zonnecellen, dual absorber zonnecel, machine learning, fotovoltaïsche technologie, vermogenconversie-efficiëntie