Photovoltaik: künstliche Intelligenz für organische PV

Die Grafik zeigt einen Algorithmus, der wie ein Käfer die möglichen chemischen Optionen von Molekülen für Solarzellen absucht.Grafik: Christian Kunkel / TUM
Aktiv selbst lernend bewegt sich der Algorithmus immer weiter durch die unendlichen Weiten des molekularen Raums und schlägt immer wieder neue Moleküle vor, die die Basis für die nächste Generation von Solarzellen sein könnten.
Die TU München setzt bei der Suche nach Materialien für organische PV auf maschinelles Lernen. Selbstständig arbeitende Algorithmen suchen dabei nach den geeigneten Molekülen.

In der Photovoltaik kann künstliche Intelligenz die Suche nach Materialien für die organische PV unterstützen. Ein entsprechendes Projekt verfolgt die Technische Universität (TU) München und das Fritz-Haber-Institut in Berlin. Ein Forschungsteam der beiden Hochschulen nutzt dabei maschinelles Lernen bei der Suche nach geeigneten molekularen Materialien für neue organische Halbleiter. Diese könnten die Basis unter anderem für organische Solarzellen (OPV) sein. Die künstliche Intelligenz hilft dabei, um mit der endlosen Vielfalt möglicher Materialien effizient zurechtzukommen.

Mehr als 1.000 potenzielle Moleküle für OPV

Organische Halbleiter bilden die Grundlage für zukunftsträchtige Anwendungen wie tragbare Solarzellen oder zusammenrollbare Bildschirme. Voraussetzung sei aber, so die TU München, noch bessere organische Moleküle zu finden, aus denen sich diese Materialien zusammensetzen.

Allerdings liegen die Schätzungen der Anzahl grundsätzlich möglicher organischer Moleküle bei einer so großen Zahl, dass es unmöglich wäre, einfach so Daten zu erzeugen, die diese riesige Vielfalt halbwegs abdeckten. Zumal die allermeisten Möglichkeiten komplett unbrauchbar für organische Halbleiter sind und es sprichwörtlich gelte, die Nadel im Heuhaufen zu finden. Hier kommt künstliche Intelligenz über maschinelles Lernen ins Spiel.

Ein Lernalgorithmus bestimmt selbst

Das Team um Prof. Karsten Reuter, Direktor der Abteilung Theorie am Fritz-Haber-Institut und Dr. Harald Oberhofer, Heisenberg-Stipendiat am Lehrstuhl für Theoretische Chemie der TU München, geht dieses Problem mit sogenanntem aktiven Lernen an. Anstatt mit vorhandenen Daten zu lernen, bestimmt dieser Lernalgorithmus sukzessive selbst, welche Daten er braucht. Vorab berechnen die Wissenschaftler mit aufwändigen Computersimulationen für eine Anzahl kleinerer Moleküle elektrische Leitfähigkeitsdaten, die eine Eignung in organischen Halbleitern und Solarzellen andeuten.

Basierend auf diesen Daten prüft der Algorithmus, ob kleinere Modifikationen der Moleküle entweder zu sehr guten Eigenschaften führen oder ob er sich unsicher über diese Eigenschaften ist, weil ihm ähnliche Daten fehlen. In beiden Fällen fordert er automatisch neue Simulationen an, verbessert sich anhand der so generierten Daten, überlegt sich neue Moleküle – und so geht dies kontinuierlich weiter.

In ihrer Arbeit zeigen die Wissenschaftler, dass dieser Ansatz deutlich effizienter ist als alternative Suchalgorithmen und auf diese Weise neue vielversprechende Moleküle gefunden werden, während sich der Algorithmus immer weiter durch die Weiten des molekularen Raums bewegt. Jede Woche schlägt er neue Moleküle vor, die die nächste Generation von Solarzellen einläuten könnten, und er wird immer besser.

27.4.2021 | Quelle: TU München | solarserver.de © Solarthemen Media GmbH

Beliebte Artikel

Schließen