Zrównoważone projektowanie organicznych ogniw słonecznych z wykorzystaniem uczenia maszynowego i głębokiego

Mądrzejsze ogniwa słoneczne dla zmieniającego się świata

Panele słoneczne to już znajomy widok na dachach i w polach, ale niewielu zdaje sobie sprawę, że w laboratoriach pojawiają się nowe, lekkie i elastyczne „plastikowe” ogniwa słoneczne. Ten artykuł opisuje, jak badacze wykorzystują symulacje komputerowe i sztuczną inteligencję do projektowania tych organicznych ogniw, aby przekształcały więcej światła słonecznego w energię elektryczną, generowały mniej odpadów i lepiej wspierały cele klimatyczne oraz zrównoważonego rozwoju.

Czym różnią się te ogniwa

Tradycyjne panele zazwyczaj wykonuje się z sztywnych płytek krzemu. Organiczne ogniwa słoneczne z kolei składają się z cienkich warstw na bazie węgla, które można nadrukować na elastycznych arkuszach. Mogą być lekkie, kolorowe i potencjalnie tańsze w produkcji. Wadą jest to, że ich sprawność — ile energii Słońca zamieniają na użyteczną moc — historycznie była niższa niż w krzemie. Dzięki nowym materiałom organicznym urządzenia laboratoryjne osiągnęły już ponad 18% sprawności. Aby posunąć to dalej, naukowcy muszą precyzyjnie dostroić wewnętrzny stos warstw przenoszących ładunki, zwłaszcza warstwę transportu elektronów, warstwę transportu dziur oraz pośrednią warstwę aktywną pochłaniającą światło.

Zamiast metody prób i błędów — wirtualne eksperymenty

Zamiast budować niezliczone testowe ogniwa w laboratorium, autorzy używają szczegółowego programu komputerowego SCAPS‑1D do przeprowadzania „wirtualnych eksperymentów”. Skupiają się na konkretnej strukturze urządzenia, w której mieszanka aktywna PBDB‑T:IT‑M jest umieszczona między warstwą transportu dziur (PEDOT:PSS) a warstwą transportu elektronów (PFN‑Br), z przezroczystym tlenkiem indu i cyny po jednej stronie i aluminium po drugiej. Najpierw sprawdzają, czy symulator odpowiada opublikowanym wynikom laboratoryjnym, i stwierdzają, że wiernie odtwarza kluczowe parametry — napięcie, prąd i ogólną sprawność. To daje im pewność, że mogą badać nowe projekty na komputerze, na długo przed mieszeniem materiałów czy nanoszeniem powłok w czystym pomieszczeniu.

Poszukiwanie optymalnego stosu warstw

Po zatwierdzeniu wirtualnego urządzenia zespół systematycznie zmienia materiały i grubości poszczególnych warstw, aby sprawdzić, która kombinacja działa najlepiej. Spośród kilku kandydatów na warstwę transportu elektronów PFN‑Br wypada najlepiej, głównie dlatego, że jego wewnętrzne poziomy energetyczne dobrze współgrają z warstwą aktywną i ułatwia on płynne przemieszczanie elektronów do kontaktu metalicznego. Przy zmianie grubości PFN‑Br od 5 do 30 nanometrów (nanometr to miliardowa część metra) okazuje się, że bardzo cienkie warstwy — około 5–10 nanometrów — dają najwyższą sprawność. Grubsze warstwy wprowadzają dodatkowy opór, powodując większe straty energii. Dla samej warstwy aktywnej jej zwiększenie pozwala przechwycić więcej światła, ale jednocześnie utrudnia ucieczkę ładunków zanim one się zrekombinują. Symulacje wskazują idealną grubość bliską 300 nanometrów, gdzie absorpcja światła i transport ładunków są dobrze zrównoważone.

Pozwalając sztucznej inteligencji uczyć się najlepszych projektów

Przeprowadzenie wielu szczegółowych symulacji nadal wymaga czasu, dlatego badacze dodają drugie narzędzie: sztuczną inteligencję. Generują zbiór danych 300 zasymulowanych ogniw o różnych wyborach grubości dla dwóch warstw transportowych i warstwy aktywnej. Następnie trenują dwa rodzaje modeli AI — konwolucyjne sieci neuronowe (CNN) oraz regresję wektorów nośnych (SVR) — do przewidywania kluczowych rezultatów: ogólnej sprawności i napięcia obwodu otwartego. Po treningu CNN może natychmiast oszacować te wielkości dla nowych projektów bez ponownego uruchamiania pełnej symulacji fizycznej. W testach CNN przewiduje sprawność z dużo mniejszym błędem niż SVR, uchwytując subtelne, nieliniowe sposoby, w jakie drobne zmiany grubości wpływają na zachowanie urządzenia.

Łączenie lepszych ogniw z bardziej zieloną przyszłością

Powyżej laboratorium zespół powiązuje swoje wyniki z globalnymi celami zrównoważonego rozwoju. Poprzez niemal podwojenie symulowanej sprawności — z około 12% do około 19,5% — zoptymalizowane ogniwo organiczne może wytwarzać więcej energii z tej samej powierzchni, redukując ilość materiału, terenu i wspierającej infrastruktury. To wspiera czystszą i tańszą energię (SDG 7), bardziej innowacyjne i wydajne przemysły (SDG 9), bardziej odpowiedzialne wykorzystanie zasobów (SDG 12) oraz silniejsze działania w sprawie zmian klimatu (SDG 13). Mówiąc prościej, praca ta pokazuje, jak łączenie testów wirtualnych z AI może pomóc zaprojektować mądrzejsze ogniwa szybciej, ograniczając odpady i przyspieszając pojawienie się elastycznych, wysokowydajnych technologii słonecznych w codziennym życiu.

Cytowanie: 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

Słowa kluczowe: organiczne ogniwa słoneczne, uczenie maszynowe, optymalizacja grubości warstw, sprawność fotowoltaiczna, energia zrównoważona