Устойчивый дизайн органических солнечных элементов с использованием машинного и глубокого обучения

Более «умные» солнечные элементы для меняющегося мира

Солнечные панели теперь привычно встречаются на крышах и в полях, но многие не знают, что в лабораториях появляются новые легкие и гибкие «пластиковые» солнечные элементы. В этой статье рассказывается, как исследователи применяют компьютерные моделирования и искусственный интеллект для проектирования этих органических солнечных элементов, чтобы они преобразовывали больше солнечного света в электроэнергию, использовали меньше материалов и лучше поддерживали глобальные цели в области климата и устойчивого развития.

Чем эти солнечные элементы отличаются

Традиционные солнечные панели обычно изготовлены из жестких кремниевых пластин. Органические солнечные элементы, напротив, состоят из тонких углеродсодержащих слоев, которые можно печатать на гибких подложках. Они могут быть легкими, разноцветными и потенциально дешевле в производстве. Минус в том, что их КПД — доля солнечной энергии, превращаемой в полезную энергию — исторически отставал от кремния. Благодаря новым органическим материалам лабораторные устройства уже превысили 18 % эффективности. Чтобы продвинуться дальше, учёным нужно тщательно настраивать внутреннюю “сэндвич”-структуру слоёв, переносящих заряд, особенно слой переноса электронов, слой переноса дырок и поглощающий активный слой между ними.

Виртуальные эксперименты вместо метода проб и ошибок

Вместо того чтобы собирать бесчисленные тестовые элементы в лаборатории, авторы используют подробную компьютерную программу SCAPS‑1D для проведения «виртуальных экспериментов». Они фокусируются на конкретной структуре устройства, где активный бленд PBDB‑T:IT‑M заключён между слоем переноса дырок (PEDOT:PSS) и слоем переноса электронов (PFN‑Br), с прозрачным оксидом индия и олова с одной стороны и алюминием с другой. Сначала они проверяют, что симулятор воспроизводит опубликованные лабораторные результаты, и обнаруживают, что он очень точно воспроизводит ключевые показатели — напряжение, ток и общую эффективность. Это даёт им уверенность исследовать новые конструкции в компьютере задолго до того, как какие‑либо материалы будут смешаны или нанесены в чистой комнате.

Поиск «золотой середины» в наборе слоёв

После валидации виртуального устройства команда систематически меняет материалы и толщины каждого слоя, чтобы понять, какая комбинация работает лучше всего. Среди нескольких кандидатов на роль слоя переноса электронов PFN‑Br показал наилучший результат, главным образом потому, что его внутренние уровни энергии хорошо согласованы с активным слоем и он способствует плавному движению электронов к металлическому контакту. При изменении толщины PFN‑Br от 5 до 30 нанометров (нанометр — миллиардная доля метра) видно, что очень тонкие слои — примерно 5–10 нанометров — обеспечивают наивысшую эффективность. Более толстые слои вносят дополнительное сопротивление, вызывая большие потери энергии. Для самого активного слоя увеличение толщины позволяет поглощать больше света, но при этом затрудняется выход зарядов до их рекомбинации. Моделирование показывает оптимальную толщину примерно около 300 нанометров, где поглощение света и перенос зарядов хорошо сбалансированы.

Доверяя искусственному интеллекту поиск лучших конструкций

Запуск многих подробных симуляций всё ещё занимает время, поэтому исследователи добавляют второй инструмент — искусственный интеллект. Они генерируют набор данных из 300 смоделированных солнечных элементов с различными значениями толщин для двух транспортных слоёв и активного слоя. Затем обучают два типа моделей ИИ — сверточные нейронные сети (CNN) и регрессию опорных векторов (SVR) — предсказывать ключевые результаты: общую эффективность и напряжение холостого хода. После обучения CNN может мгновенно оценивать эти показатели для новых конструкций без повторного запуска полной физической симуляции. В тестах CNN предсказывает эффективность с гораздо меньшими ошибками, чем SVR, улавливая тонкие нелинейные взаимосвязи, когда крошечные изменения толщины влияют на поведение устройства.

Связь лучших солнечных элементов с более зелёным будущим

За пределами лаборатории команда связывает свои результаты с глобальными целями устойчивого развития. Почти удвоив смоделированную эффективность — с примерно 12 % до примерно 19,5 % — оптимизированный органический солнечный элемент может генерировать больше энергии с той же площади, сокращая количество материалов, земли и вспомогательного оборудования. Это поддерживает более чистую и доступную энергию (ЦУР 7), более инновационные и эффективные отрасли (ЦУР 9), более ответственное использование ресурсов (ЦУР 12) и усиленные меры по борьбе с изменением климата (ЦУР 13). Проще говоря, эта работа показывает, как сочетание виртуального тестирования и ИИ помогает проектировать более умные солнечные элементы быстрее, сокращая отходы и ускоряя появление гибких, высокопроизводительных солнечных технологий в повседневной жизни.

Цитирование: 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

Ключевые слова: органические солнечные элементы, машинное обучение, оптимизация толщины слоев, фотovoltaическая эффективность, устойчивая энергия