Integrating Density Functional Theory, Machine Learning, and Device Simulation for Perovskite Photovoltaics: A Review

Die Solarenergie stützt sich seit langem auf Silizium, ein Material, das zwar zuverlässig, aber teuer in der Raffination und starr in der Verarbeitung ist. In den letzten Jahren sind Perowskite als eine leistungsstarke Alternative als eine neue Klasse von Materialien in Erscheinung getreten. Dabei handelt es-sich um Kristalle mit einer spezifischen, hochgradig vielseitigen Struktur, die so abgestimmt werden kann, dass sie Sonnenlicht sehr effizient absorbieren. Sie können zu dünnen, flexiblen Schichten verarbeitet werden, und ihre Fähigkeit, Licht in Elektrizität umzuwandeln, hat sich so schnell verbessert, dass sie nun die besten Siliziumzellen in den Schatten stellen. Dieses Potenzial geht jedoch mit einer erheblichen Hürde einher. Der chemische Raum dieser Materialien ist riesig; durch das Austauschen verschiedener Atome in ihrer Struktur können Wissenschaftler Millionen von möglichen Variationen erschaffen. Jede einzelne im Labor zu testen, wäre unmöglich, da dies Jahrzehnte dauern und ein Vermögen kosten würde. Zudem könnte ein Material, das in einem Computermodell perfekt aussieht, in einem echten Solarmodul aufgrund verborgener Mängel versagen, wie etwa instabilen Atomen oder Ionen, die sich im Inneren des Kristalls bewegen, wenn er erhitzt wird.

Um dies zu lösen, wenden Forscher eine neue Arbeitsweise an, die drei unterschiedliche Werkzeuge kombiniert: quantenphysikalische Berechnungen, künstliche Intelligenz und Computersimulationen von Solarmodulen. Das Ziel ist es, eine Pipeline zu schaffen, die vorhersagen kann, welche chemischen Rezepte funktionieren werden, noch bevor ein einziger Tropfen Flüssigkeit im Labor gemischt wird. Dieser Ansatz beruht nicht auf Raten. Stattdessen nutzt er die Gesetze der Physik, um das Material auf atomarer Ebene zu verstehen, verwendet maschinelles Lernen, um Milliarden von Möglichkeiten zu scannen, und nutzt die Bauteilsimulation, um zu sehen, wie diese Materialien tatsächlich als energieerzeugende Maschine funktionieren würden. Die Herausforderung bestand schon immer darin, diese drei Schritte miteinander zu verbinden. Eine Berechnung, die ein einzelnes Atom beschreibt, kann nicht einfach in ein Programm kopiert werden, das ein ganzes Solarmodul simuliert; die Informationen müssen sorgfältig übersetzt werden, sonst sind die Ergebnisse bedeutungslos.

Eine aktuelle Übersichtsarbeit von Sameer Pandey skizziert genau, wie man diese Brücke baut. Die Arbeit präsentiert nicht eine einzige neue Solarzelle, sondern vielmehr einen kritischen Leitfaden dazu, wie man diese computergestützten Methoden verknüpft, damit sie zusammenarbeiten, ohne die Gesetze der Physik zu verletzen. Der Autor argumentiert, dass wir zwar über leistungsstarke Werkzeuge verfügen, um die Eigenschaften einzelner Atome zu bereuchen, und über leistungsstarke Werkzeuge, um Trends in großen Datensätzen vorherzusagen, wir den Informationstransfer zwischen ihnen jedoch oft als einfachen „Plug-and-Play“-Prozess behandeln. Dies ist eine gefährliche Vereinfachung. Die Übersicht erklärt, dass der Übergang von der mikroskopischen Welt der Atome zur makroskopischen Welt eines Solarmoduls spezifische, physikalisch fundierte Schritte erfordert. Man kann nicht einfach eine Zahl aus einer Quantenberechnung nehmen und sie direkt in einen Solarmodul-Simulator einspeisen. Die Eigenschaften müssen interpretiert und angepasst werden, um dem größeren Kontext gerecht zu werden, wie Elektrizität tatsächlich durch ein Gerät fließt.

Die Arbeit skizziert einen Workflow, der mit der Dichtefunktionaltheorie beginnt, einer Methode, die die Quantenmechanik nutzt, um die Energieniveaus und die Stabilität einer spezifischen Kristallstruktur zu berechnen. Dies liefert die Rohdaten mit hoher Genauigkeit, wie etwa wie fest Elektronen gebunden sind oder wie leicht das Material Defekte bildet. Diese Zahlen werden dann verwendet, um Modelle des maschinellen Lernens zu trainieren. Diese Modelle sind wie Schüler, die die Regeln der Chemie aus den Quantendaten lernen. Einmal trainiert, können sie die Eigenschaften neuer, ungetesteter Materialien in einem Bruchteil einer Sekunde vorhersagen und so riesige chemische Räume scannen, deren Untersuchung mit Quantenberechnungen allein Jahre dauern würde. Die Übersicht betont jedoch, dass diese Vorhersagen nur der erste Schritt sind. Die Ausgabe des maschinellen Lernens muss in die spezifische Sprache der Bauteilsimulation übersetzt werden.

Software zur Bauteilsimulation, wie beispielsweise SCAPS-1D, fungiert als virtuelles Labor für Solarmodule. Sie nimmt die Materialeigenschaften und simuliert, wie Licht und Elektrizität innerhalb einer Schichtstruktur interagieren. Hier hebt die Arbeit eine entscheidende Unterscheidung hervor. Ein Modell des maschinellen Lernens mag die „Bandlücke“ eines Materials vorhersagen – also den Energiebereich, den es absorbiert –, und diese kann direkt in der Simulation verwendet werden. Aber andere Eigenschaften, wie die Geschwindigkeit, mit der sich Elektronen bewegen, oder wie viele Defekte existieren, sind nicht immer direkt aus der Vorhersage des maskiniellen Lernens verfügbar. Sie erfordern oft zusätzliche physikalische Annahmen oder experimentelle Daten, um korrekt definiert zu werden. Die Übersicht warnt davor, dass die Simulation Ergebnisse liefert, die auf einem Bildschirm beeindruckend aussehen, aber nichts mit der Realität zu tun haben, wenn diese Zwischenschritte übersprungen oder mangelhaft gehandhabt werden. Der Autor betont, dass die Verbindung zwischen der atomaren Skala und der Bauteilskala nicht automatisch erfolgt; sie erfordert eine bewusste, physikbasierte Übersetzung.

Um diesen Prozess zu illustrieren, untersucht die Arbeit ein spezifisches Beispiel: ein bleifreies Doppelperowskit namens Cs2AgBiBr6. Dieses Material ist von Interesse, weil es die Toxizität von Blei vermeidet, das in den effizientesten Perowskit-Zellen zu finden ist. Die Forscher nutzten Quantenberechnungen, um die grundlegenden Eigenschaften des Materials zu bestimmen, wie etwa seine Energielücke und wie es auf elektrische Felder reagiert. Diese Werte wurden dann in eine Bauteilsimulation übertragen, um zu sehen, wie ein aus diesem Material bestehendes Solarmodul performen würde. Die Simulation zeigte, dass die theoretische Effizienz über 11 Prozent erreichen könnte, wenn das Material rein und frei von Defekten ist. Die Simulation enthüllte jedoch auch, dass die Leistung drastisch sinkt, wenn das Material selbst eine geringe Anzahl von Defekten aufweist. Dieser Befund unterstreicht die Bedeutung des Workflows: Das Computermodell identifizierte, dass der Erfolg des Materials vollständig davon abhängt, Verunreinigungen niedrig zu halten – ein Detail, das ohne diese mehrstufige Analyse möglicherweise übersehen worden wäre.

Die Übersicht weist auch darauf hin, wo dieser integrierte Ansatz derzeit noch Schwächen aufweist. Ein großes Problem ist, dass die Daten, die zum Trainieren der Modelle des maschinellen Lernens verwendet werden, oft aus unterschiedlichen Quellen mit unterschiedlichen Methoden stammen, was zu Inkonsistenzen führen kann. Wenn die Quantenberechnungen nicht standardisiert sind, lernt das Modell des maschinellen Lernens möglicherweise die falschen Muster. Ein weiteres Problem ist, dass die meisten Simulationen davon ausgehen, dass das Material statisch und perfekt ist, während echte Solarmodule im Laufe der Zeit degradieren. Ionen im Inneren des Kristalls können sich bewegen, wenn die Sonne scheint, was die Eigenschaften des Materials verändert. Aktuelle Modelle haben Schwierigkeiten, dieses dynamische Verhalten zu erfassen, was bedeutet, dass sie eine stabile, hocheffiziente Zelle vorhersagen könnten, die in der realen Welt tatsächlich versagen würde. Der Autor argumentiert, dass der zukünftige Fortschritt davon abhängt, bessere Standards für Daten zu schaffen, Modelle des maschinellen Lernens zu entwickeln, die die Physik von Zeit und Veränderung verstehen, und Simulationen zu bauen, die diese beweglichen Teile berücksichtigen können.

Letztendlich dient die Arbeit als Roadmap für einen zuverlässigeren Weg zur Entdeckung neuer Solarmaterialien. Sie legt nahe, dass die Zukunft der Perowskit-Forschung in einem geschlossenen Kreislauf liegt, in dem Quantenberechnungen die Fakten liefern, maschinelles Lernen die Kandidaten findet und Bauteilsimulationen die Realität testen. Dieser Zyklus kann wiederholt werden, wobei jeder Schritt den nächsten verfeinert, bis die vielversprechendsten Materialien identifiziert sind. Die Übersicht behauptet nicht, dass dieser Prozess das Problem der Solarenergie gelöst hat, aber sie bietet einen klaren Weg nach vorn. Indem Wissenschaftler die Verbindung zwischen diesen Werkzeugen als eine komplexe technische Herausforderung und nicht als einfachen Datentransfer behandeln, können sie falsche Fährten vermeiden und ihre Bemühungen auf Materialien konzentrieren, die wirklich bereit sind, die Welt mit Energie zu versorgen. Die Arbeit bestätigt, dass wir zwar die Werkzeuge haben, um die perfekte Solarzelle zu entwerfen, wir aber zuerst lernen müssen, über die verschiedenen wissenschaftlichen Skalen hinweg dieselbe Sprache zu sprechen.