Science-Publikation: Forschende zeigen, wie der Einsatz maschinellen Lernens die Suche nach neuen halbleitenden Molekülen für Perowskit-Solarzellen enorm beschleunigt
Perowskit-Solarzellen gelten als flexible und nachhaltige Alternative zu herkömmlichen Solarzellen auf Siliziumbasis. Forschende des Karlsruher Instituts für Technologie (KIT) gehören zu einem internationalen Team, das innerhalb weniger Wochen neue organische Moleküle gefunden hat, mit denen sich der Wirkungsgrad von Perowskit-Solarzellen steigern lässt. Das Team kombinierte dabei geschickt den Einsatz von KI mit vollautomatischer Hochdurchsatz-Synthese. Die entwickelte Strategie ist auf andere Bereiche der Materialforschung übertragbar, etwa auf die Suche nach neuen Batteriematerialien.
Wer unter 1.000.000 Molekülen jene herausfinden will, die als Leiter positiver Ladung Perowskit-Solarzellen besonders effizient machen, muss diese Million Moleküle herstellen und testen – oder so vorgehen, wie es Forschende rund um Tenure-Track-Professor Pascal Friederich vom Institut für Nanotechnologie des KIT und Professor Christoph Brabec vom HI ERN und getan haben. „Mit nur 150 gezielten Experimenten konnte ein Durchbruch erzielt werden, der sonst Hunderttausende von Tests erfordert hätte. Der entwickelte Workflow eröffnet neue Möglichkeiten für die schnelle und kosteneffiziente Entdeckung leistungsstarker Materialien in einer Vielzahl von Anwendungsfeldern“, sagt Brabec. Mit einem der so entdeckten Materialien steigerten sie den Wirkungsgrad einer Referenz-Solarzelle um rund zwei Prozent auf 26,2 Prozent. „Dieser Erfolg zeigt, dass man bei der Entwicklung neuer Energiematerialien mit einer geschickten Strategie enorm Zeit und Ressourcen einsparen kann“, so Friederich.
Ausgangspunkt am HI ERN war eine Datenbank mit den Strukturformeln von rund einer Million virtuellen Moleküle, die aus handelsüblichen Substanzen herstellbar wären. Von 13.000 dieser virtuellen Moleküle, nach dem Zufallsprinzip ausgelesen, berechneten die Forschenden am KIT mit etablierten quantenmechanischen Methoden Energieniveaus, Polarität, Geometrie und andere Merkmale.
KI-Training mit Daten von nur 101 Molekülen
Aus diesen 13.000 Molekülen wählten die Forschenden wiederum 101 Moleküle aus, die sich in ihren Merkmalen möglichst stark unterschieden. Diese wurden am HI ERN mit Hilfe eines Robotersystems automatisch hergestellt und damit ansonsten baugleiche Solarzellen gefertigt. Anschließend maßen sie deren Wirkungsgrad. „Für den Erfolg unserer Strategie war entscheidend, dass wir dank unserer hochautomatisierten Syntheseplattform wirklich vergleichbare Proben erzeugten und somit verlässliche Werte für den Wirkungsgrad ermittelten“, sagt Christoph Brabec, der die Arbeiten am HI ERN leitete.
Mit den erzielten Wirkungsgraden und den Merkmalen der zugehörigen Moleküle trainierten die Forschenden des KIT ein KI-Modell. Das Modell schlug dann weitere 48 Moleküle zur Synthese vor, basierend auf zwei Kriterien: ein erwartender hoher Wirkungsgrad und unvorhersehbare Eigenschaften. „Wenn sich das Machine-Learning-Modell bei der Prognose des Wirkungsgrades unsicher ist, lohnt es sich, das Molekül herzustellen, um es näher zu untersuchen“, erklärt Pascal Friederich das zweite Kriterium. „Es könnte mit einem hohen Wirkungsgrad überraschen.“
Tatsächlich ließen sich mit den von der KI vorgeschlagenen Molekülen überdurchschnittlich effiziente Solarzellen bauen, darunter auch solche, die modernste andere Materialien übertreffen. „Wir können nicht sicher sein, wirklich das Beste unter einer Million Moleküle gefunden zu haben, aber wir sind ganz gewiss nahe am Optimum“, sagt Friederich, Tenure-Track-Professor für Künstliche Intelligenz in der Materialwissenschaft.
KI versus chemische Intuition
Die Forschenden können die Molekülvorschläge der KI in gewissem Ausmaß nachvollziehen, da die verwendete KI angibt, welche Merkmale der virtuellen Moleküle für ihre Vorschläge ausschlaggebend waren. Es zeigte sich, dass sich die KI-Vorschläge teilweise auch auf Merkmale stützten, z.B. das Vorhandensein bestimmter chemischer Gruppen wie Amine, die Chemiker bisher weniger beachtet hatten.
Christoph Brabec und Pascal Friederich sind überzeugt, dass ihre Strategie vielversprechend für die Materialforschung auch in anderen Anwendungsbereichen ist oder auf die Optimierung ganzer Bauelemente ausgeweitet werden kann.
Die Forschungsergebnisse, die in Zusammenarbeit mit Forschenden der Universität Erlangen-Nürnberg, des südkoreanischen Ulsan National Institute of Science, der chinesischen Xiamen University und der University of Electronic Science and Technology in Chengdu, China, entstanden sind, wurden kürzlich im renommierten Journal „Science“ veröffentlicht.
Text: Karlsruher Institut für Technologie (KIT)