Hållbar design av organiska solceller med maskin- och djupinlärning

Smartare solceller för en föränderlig värld

Solpaneler är nu ett välbekant inslag på tak och i fält, men många inser inte att nya typer av lätta, flexibla ”plast”solceller växer fram i laboratorierna. Den här artikeln undersöker hur forskare använder datorsimuleringar och artificiell intelligens för att utforma dessa organiska solceller så att de omvandlar mer solljus till elektricitet, minskar spill av material och bättre stödjer globala klimat- och hållbarhetsmål.

Vad som skiljer dessa solceller åt

Traditionella solpaneler är vanligtvis tillverkade av styva kiselskivor. Organiska solceller, däremot, byggs upp av tunna kolbaserade lager som kan tryckas på flexibla ark. De kan vara lätta, färgrika och potentiellt billigare att tillverka. Nackdelen är att deras verkningsgrad — hur stor del av solens energi som blir användbar el — historiskt har legat efter kisel. Tack vare nya organiska material har laboratorienheter redan passerat 18 procent verkningsgrad. För att gå ännu längre måste forskare noggrant stämma av den inre lagerstapeln som leder laddningar, särskilt elektrontransportlagret, håltransportlagret och det ljusabsorberande aktivlagret däremellan.

Virtuella experiment i stället för trial-and-error

I stället för att bygga otaliga testceller i labbet använder författarna ett detaljerat dataprogram kallat SCAPS‑1D för att köra ”virtuella experiment”. De fokuserar på en specifik enhetsstruktur som sandwichar en aktiv blandning kallad PBDB‑T:IT‑M mellan ett håltransportlager (PEDOT:PSS) och ett elektrontransportlager (PFN‑Br), med transparent indium-tenn-oxid på ena sidan och aluminium på den andra. Först kontrollerar de att simulatorn överensstämmer med publicerade laboratorieresultat och finner att den återskapar nyckelmått — spänning, ström och total verkningsgrad — mycket väl. Det ger dem förtroende att utforska nya konstruktioner i datorn, långt innan några material blandas eller beläggs i ett rent rum.

Att hitta den gyllene medeln i lagerstapeln

När den virtuella enheten är validerad justerar teamet systematiskt materialen och tjocklekarna för varje lager för att se vilken kombination som fungerar bäst. Bland flera kandidater för elektrontransport presterar PFN‑Br bäst, huvudsakligen eftersom dess interna energinivåer ligger bra i nivå med det aktiva lagret och det hjälper elektroner att röra sig smidigt till metallkontakten. När de varierar PFN‑Br:s tjocklek från 5 till 30 nanometer (en nanometer är en miljarddel av en meter) ser de att mycket tunna lager — runt 5 till 10 nanometer — ger högst verkningsgrad. Tjockare lager inför extra resistans, vilket orsakar större energiförluster. För det aktiva lagret i sig gör en större tjocklek att det fångar mer ljus, men gör det också svårare för laddningarna att ta sig ut innan de rekombinerar. Simuleringarna visar en ideal tjocklek nära 300 nanometer, där ljusabsorption och laddningstransport är väl avvägda.

Låta artificiell intelligens lära sig de bästa konstruktionerna

Att köra många detaljerade simuleringar tar ändå tid, så forskarna lägger till ett andra verktyg: artificiell intelligens. De genererar en datamängd med 300 simulerade solceller med olika tjockleksval för de två transportlagren och det aktiva lagret. Sedan tränar de två typer av AI‑modeller — konvolutionella neurala nätverk (CNN) och supportvektorregression (SVR) — för att förutsäga viktiga utfall: total verkningsgrad och öppenkrets-spänning. När CNN är tränad kan den omedelbart uppskatta dessa prestandasiffror för nya konstruktioner utan att köra hela fysiksimuleringen igen. I tester förutspår CNN verkningsgraden med mycket mindre fel än SVR, och fångar de subtila, icke-linjära sätt som små förändringar i tjocklek påverkar enhetens beteende.

Koppla bättre solceller till en grönare framtid

Bortom laboratorium kopplar teamet sina resultat till globala hållbarhetsmål. Genom att nästan fördubbla den simulerade verkningsgraden — från cirka 12 procent till ungefär 19,5 procent — kan en optimerad organisk solcell generera mer kraft från samma yta, vilket minskar mängden material, mark och stödjande hårdvara som krävs. Det stöder renare och mer prisvärd energi (SDG 7), mer innovativ och effektiv industri (SDG 9), ett mer ansvarsfullt resursanvändande (SDG 12) och starkare åtgärder mot klimatförändringar (SDG 13). I enkla termer visar detta arbete hur kombinationen av virtuella tester och AI kan hjälpa till att designa smartare solceller snabbare, minska avfall och påskynda införandet av flexibla, högpresterande soltekniker i vardagen.

Citering: 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

Nyckelord: organiska solceller, maskininlärning, optimering av lagerthicklek, fotovoltaisk verkningsgrad, hållbar energi