AI-supported Degradation Study of Carbon-based Perovskite Solar Cells: Learning the Device Physics of Perovskite Solar Cells: A Drift-Diffusion Guided Autoencoder Approach

Diese Studie nutzt einen Drift-Diffusions-gesteuerten Autoencoder, um aus altersbedingten Strom-Spannungs-Kurven von Kohlenstoff-basierten Perowskit-Solarzellen physikalische Parameter zur In-situ-Degradationsüberwachung abzuleiten und ein digitales Zwilling der Geräte zu erstellen.

Das Wesentliche

Titel: Wie KI die „Herzschrittmacher" von Solarzellen überwacht

Stellen Sie sich vor, Sie haben ein neues, hochmodernes Auto (eine Perowskit-Solarzelle), das die Sonne in Strom verwandelt. Es ist vielversprechend, aber es hat einen kleinen Fehler: Es altert schneller als gewünscht. Die Forscher wollen herausfinden, warum es alt wird und wo genau die Probleme liegen, ohne das Auto dabei zu zerlegen.

Hier kommt die künstliche Intelligenz (KI) ins Spiel, die in dieser Studie wie ein super-scharfer medizinischer Scanner funktioniert.

1. Das Problem: Die Solarzelle wird müde

Die Forscher haben zwei dieser Solarzellen unter starker Sonneneinstrahlung „trainiert" (bzw. gestresst), um zu sehen, wie sie altern.

• Zelle A wurde so betrieben, wie sie es im echten Leben tun würde (immer auf dem besten Leistungspunkt).
• Zelle B wurde in einem Zustand gehalten, der sie extrem belastet (wie ein Auto, das mit angezogener Handbremse gegen eine Wand drückt).

Nach 23 Tagen war Zelle B deutlich müder als Zelle A. Aber wie genau? Wo lag der Fehler? Normalerweise müsste man die Zelle aufschneiden, um das zu sehen – was sie zerstören würde.

2. Die Lösung: Ein digitaler Zwilling und ein KI-Übersetzer

Statt die Zelle zu zerlegen, haben die Forscher eine clevere Methode entwickelt:

• Der digitale Zwilling: Sie haben am Computer eine perfekte Kopie der Solarzelle gebaut. In diesem Computer-Modell können sie alle möglichen Fehler simulieren (z. B. „Was passiert, wenn die Elektronen nicht mehr fließen können?" oder „Was, wenn sich Ionen wie Verkehrsstaus bilden?").
• Der KI-Übersetzer (Autoencoder): Hier kommt die KI ins Spiel. Man hat ihr Tausende von diesen simulierten Fehlern gezeigt. Sie lernte: „Aha, wenn die Stromkurve so aussieht, dann ist es wahrscheinlich ein Problem mit der Oberfläche. Wenn sie so aussieht, dann ist es ein Problem mit der Geschwindigkeit der Ladungsträger."

Die KI wurde also trainiert, von der äußeren Erscheinung (der gemessenen Stromkurve) auf die inneren Organe (die physikalischen Parameter) zu schließen.

3. Die Untersuchung: Was hat die KI gefunden?

Die Forscher haben die Solarzellen jeden Tag gemessen und die Daten der KI gegeben. Die KI hat dann wie ein Detektiv die inneren Werte der Zellen über die Zeit verfolgt:

• Die Oberfläche (S): Bei der stark belasteten Zelle wurde die Oberfläche „rauer". Stellen Sie sich vor, die Straße, auf der die Elektronen fahren, wird immer holpriger. Die KI sah, dass dieser Wert stark anstieg.
• Die Lebensdauer der Elektronen (τ): Die Elektronen, die eigentlich Energie transportieren sollten, wurden schneller „erschöpft" oder verloren. Bei der belasteten Zelle wurde dieser Wert extrem hoch (was in diesem Fall bedeutet, dass die Messung durch andere Effekte wie Ionen-Staus verfälscht wurde).
• Die Ionen (Salz im Wasser): In Solarzellen gibt es kleine geladene Teilchen (Ionen), die sich bewegen können. Die KI fand heraus, dass sich diese Ionen bei der belasteten Zelle an den Rändern sammelten, wie Schaulustige an einer Baustelle, die den Verkehr behindern.

4. Das Fazit: Warum ist das wichtig?

Früher konnten Forscher nur raten, warum eine Solarzelle schlechter wurde, indem sie die Kurven mit bloßem Auge betrachteten. Das war wie ein Arzt, der nur auf den Puls schaut und dann rät, ob es das Herz oder die Lunge ist.

Mit dieser KI-Methode können sie jetzt:

1. In Echtzeit sehen, welche inneren Parameter sich ändern, ohne die Zelle zu zerstören.
2. Unterscheiden, ob das Problem an der Oberfläche liegt oder an den Ionen im Inneren.
3. Bessere Solarzellen bauen, indem sie genau wissen, wo sie ansetzen müssen, um die „Verkehrsstaus" zu beseitigen.

Zusammenfassend:
Die Forscher haben eine KI ausgebildet, die wie ein Röntgenbild für Solarzellen funktioniert. Sie hat gezeigt, dass bei starkem Stress die „Straßen" für die Elektronen kaputtgehen und sich „Verkehrsstaus" aus Ionen bilden. Das hilft uns, Solarzellen zu bauen, die nicht nur effizient, sondern auch langlebig sind – wie ein Auto, das auch nach Jahren noch wie neu läuft.

Technische Zusammenfassung

Titel:

AI-unterstützte Degradationsstudie von kohlenstoffbasierten Perowskit-Solarzellen: Lernen der Gerätephysik mittels eines durch Drift-Diffusion geleiteten Autoencoder-Ansatzes.

1. Problemstellung

Perowskit-Solarzellen (PSCs) haben zwar in den letzten Jahren enorme Effizienzsteigerungen erfahren (nahe 27 %), doch die Stabilität und Degradation bleiben die größten Hindernisse für die kommerzielle Nutzung.

• Limitationen bestehender KI-Ansätze: Bisherige Studien mit Künstlicher Intelligenz (KI) konzentrierten sich meist auf die Vorhersage der Gesamtleistung (z. B. PCE-Verlauf oder T80-Lebensdauer). Diese Methoden sagen zwar das Wann des Ausfalls voraus, liefern aber keine direkten Einblicke in die physikalischen Ursachen der Degradation (z. B. ob es sich um Ladungsträgerrekombination, Ionenmigration oder Transportprobleme handelt).
• Herausforderung: Es fehlt eine Methode, um physikalische Parameter, die während des Betriebs nicht direkt messbar sind (da dies den Test unterbrechen würde), kontinuierlich und in situ zu verfolgen, um Degradationsmechanismen zu identifizieren.

2. Methodik

Die Autoren kombinieren physikalische Simulationen mit einem maschinellen Lernansatz (Autoencoder), um aus gemessenen Strom-Spannungs-Kennlinien (J-V-Kurven) physikalische Materialparameter zu extrahieren.

• Experimentelles Setup:

  • Zwei kohlenstoffbasierte mesoporöse PSCs (FTO/TiO2/m-TiO2-MAPI/m-ZrO2-MAPI/Carbon) wurden über 23 Tage (ca. 550 Stunden) unter konstanter 1-Sun-Beleuchtung in einer inerten Atmosphäre gealtert.
  • Stress-Bedingungen: Ein Gerät wurde am Maximum Power Point (MPP) verfolgt, das andere bei Leerlaufspannung (VOC). Zwei weitere unbelastete Geräte dienten als Referenz.
  • Messung: Täglich wurden J-V-Kurven bei verschiedenen Scan-Geschwindigkeiten (0,005 bis 100 V/s) gemessen, um Hysterese-Effekte und ionische Dynamiken zu erfassen.

• Modellierung und ML-Architektur:

  • Drift-Diffusion (DD) Simulation: Ein 1D-DD-Modell wurde verwendet, um 50.000 virtuelle Geräte mit variierten physikalischen Parametern zu simulieren. Die variierten Parameter umfassten:
    • Oberflächenrekombinationsgeschwindigkeit ($S$)
    • Ladungsträgermobilität ($\mu$)
    • Rekombinationslebensdauer ($\tau$)
    • Ionenmobilität ($\mu_C$) und Iondichten ($\rho_{Ion}$)
    • Elektronenmobilität in TiO2 ($\mu_{TiO2}$)
  • Autoencoder (AE): Ein neuronales Netzwerk (Encoder-Decoder-Architektur) wurde trainiert, um aus den simulierten J-V-Kurven die zugrunde liegenden physikalischen Parameter zurückzugewinnen.
    • Der Encoder komprimiert die J-V-Kurve in einen latenten Raum.
    • Der Decoder rekonstruiert die J-V-Kurve.
    • Verlustfunktion: Sie besteht aus zwei Termen: 1. Rekonstruktionsfehler der J-V-Kurve und 2. Fehler zwischen den vorhergesagten und den wahren physikalischen Parametern. Dies zwingt das Modell, die physikalische Bedeutung im latenten Raum zu lernen, anstatt nur ein "Black-Box"-Mapping zu erstellen.

• Anwendung: Der trainierte Encoder wird auf die täglich gemessenen realen J-V-Kurven angewendet, um die zeitliche Entwicklung der physikalischen Parameter zu schätzen.

3. Wichtige Ergebnisse

• Degradationsverhalten:

  • Das bei VOC belastete Gerät zeigte eine starke Degradation (Abfall der VOC von 0,88 V auf 0,84 V und signifikanter Rückgang des Kurzschlussstroms $J_{SC}$).
  • Das bei MPP belastete Gerät behielt 90 % seiner Effizienz, zeigte aber dennoch subtile Parameteränderungen.

• Parameter-Evolution (durch ML geschätzt):

  • Oberflächenrekombination ($S$): Stieg bei beiden Geräten signifikant an (MPP: auf ~50 cm/s, VOC: auf ~100 cm/s). Dies deutet auf eine Verschlechterung der Grenzflächenqualität hin.
  • Mobilität und Lebensdauer ($\mu \cdot \tau$): Beim MPP-Gerät nahm die Mobilität ($\mu$) ab, während die Lebensdauer ($\tau$) zunahm, sodass das Produkt (Diffusionslänge) relativ konstant blieb. Dies korreliert mit dem stabilen $J_{SC}$ bei langsamen Scans.
  • Ionenparameter: Die geschätzten Iondichten ($\rho_{Ion}$) blieben weitgehend konstant. Die Ionenmobilität ($\mu_C$) zeigte nur geringe Änderungen innerhalb der Unsicherheitsgrenzen.
  • TiO2-Mobilität ($\mu_{TiO2}$): Zeigte keine signifikanten Änderungen, was auf die Stabilität der kompakten TiO2-Schicht hindeutet.

• Diskrepanz zwischen Simulation und Messung:

  • Obwohl die ML-geschätzten Parameter die Trends der J-V-Kurven gut abbilden, gab es quantitative Abweichungen zwischen der 1D-Simulation und den realen Messungen, insbesondere bei der Hysterese.
  • Ursache: Das reale Gerät besitzt eine mesoporöse Struktur (große innere Oberfläche), die in einem 1D-Modell nicht vollständig abgebildet werden kann. Die geschätzte hohe Oberflächenrekombination ($S$) fasst daher sowohl echte Defekte als auch den geometrischen Effekt der porösen Struktur zusammen. Zudem spielen ionische Effekte (Feldabschirmung), die im 1D-Modell vereinfacht wurden, eine größere Rolle in der Realität.

• Validierung:

  • Die ML-Ergebnisse wurden durch zusätzliche Messungen (z. B. Impedanzspektroskopie, Lichtintensitätsabhängigkeit) gestützt. Die Impedanzspektroskopie zeigte keine signifikanten Änderungen der Ionenkapazität, was die ML-Ergebnisse zur Konstanz der Iondichte bestätigt.

4. Hauptbeiträge

1. In-situ-Verfolgung physikalischer Parameter: Demonstration, dass ML (Autoencoder) genutzt werden kann, um nicht direkt messbare physikalische Parameter während des Alterungstests kontinuierlich zu überwachen, ohne den Test zu unterbrechen.
2. Entkopplung von Degradationsmechanismen: Die Studie zeigt, wie man zwischen Degradation durch Oberflächenrekombination (dominierend) und Ionenmigration (hier weniger dominant für die beobachteten J-V-Änderungen) unterscheiden kann.
3. Digitale Zwillinge: Die geschätzten Parameter ermöglichen die Erstellung eines "digitalen Zwillings" des alternden Geräts, der hilft, die physikalischen Ursachen von Leistungsverlusten zu verstehen.
4. Robustheit des Ansatzes: Der Ansatz funktioniert auch bei komplexen, mesoporösen Architekturen, obwohl das zugrunde liegende Simulationsmodell vereinfacht (1D) ist.

5. Bedeutung und Ausblick

Diese Arbeit stellt einen Paradigmenwechsel dar: Statt nur die Lebensdauer vorherzusagen, liefert die KI-Methodik physikalische Einblicke in die Degradationsprozesse.

• Für die Forschung: Sie ermöglicht ein tieferes Verständnis, welche Parameter (z. B. Grenzflächen vs. Bulk-Eigenschaften) bei bestimmten Stressbedingungen (MPP vs. VOC) kritisch werden.
• Für die Entwicklung: Durch das Verständnis, dass die Rekombination an den Grenzflächen (erhöhtes $S$) der Hauptfaktor für den Leistungsverlust ist, können zukünftige Geräteentwicklungen gezielt auf die Passivierung dieser Grenzflächen fokussiert werden.
• Limitationen: Die Diskrepanz zwischen 1D-Modell und mesoporöser Realität zeigt, dass für noch präzisere Vorhersagen zukünftige Modelle die komplexe Geometrie oder spezifische ionische Wechselwirkungen besser abbilden müssen.

Zusammenfassend beweist die Studie, dass KI-gestützte Parameterextraktion ein mächtiges Werkzeug ist, um die Physik von Perowskit-Solarzellen zu entschlüsseln und deren Stabilität gezielt zu verbessern.