Met AI sneller naar betere fotovoltaïsche materialen

Eén uit een miljoen: Kunstmatige intelligentie helpt onderzoekers bij het zoeken naar nieuwe materialen voor hoogefficiënte zonnecellen. (Foto: Kurt Fuchs/HI ERN) / One in a million: Artificial intelligence helps scientists in their search for new materials to be used in high-efficiency solar cells. (Photo: Kurt Fuchs/HI ERN)

Perovskiet-Zonnecellen worden beschouwd als een flexibele en duurzame alternatief voor traditionele zonnecellen op siliciumbasis. Onderzoekers van het Karlsruher Instituut voor Technologie (KIT) behoren tot een internationaal team dat binnen enkele weken nieuwe organische moleculen heeft gevonden waarmee de efficiëntie van perovskiet-zonnecellen kan worden verhoogd. Het team combineerde daarbij slim het gebruik van AI met volledig geautomatiseerde high-throughput synthese. De ontwikkelde strategie is overdraagbaar naar andere gebieden van materiaalonderzoek, bijvoorbeeld voor de zoektocht naar nieuwe batterijmaterialen. De onderzoekers rapporteren momenteel in Science (DOI: 10.1126/science.ads0901).

Wie onder 1.000.000 moleculen die als geleider van positieve lading voor perovskiet-zonnecellen bijzonder efficiënt maken, wil ontdekken, moet deze miljoen moleculen produceren en testen – of op een manier zoals onderzoekers rond tenure-track-professor Pascal Friederich van het Instituut voor Nanotechnologie van het KIT en professor Christoph Brabec van het HI ERN hebben gedaan. “Met slechts 150 gerichte experimenten kon een doorbraak worden bereikt die anders honderdduizenden tests zou hebben vereisen. De ontwikkelde workflow opent nieuwe mogelijkheden voor de snelle en kostenefficiënte ontdekking van krachtige materialen in een breed scala aan toepassingsgebieden,” zegt Brabec. Met een van de zo ontdekte materialen verhoogden ze de efficiëntie van een referentie-zonnecel met ongeveer twee procentpunt tot 26,2 procent. “Deze successen laten zien dat je bij de ontwikkeling van nieuwe energiematerialen met een slimme strategie enorm veel tijd en middelen kunt besparen,” aldus Friederich.

Het uitgangspunt bij het HI ERN was een database met de structuurformules van ongeveer een miljoen virtuele moleculen die uit gangbare stoffen vervaardigbaar zouden zijn. Van 13.000 van deze virtuele moleculen, willekeurig geselecteerd, berekenden de onderzoekers aan het KIT met gevestigde kwantummechanische methoden energieniveaus, polariteit, geometrie en andere kenmerken.

AI-training met gegevens van slechts 101 moleculen

Van deze 13.000 moleculen selecteerden de onderzoekers opnieuw 101 moleculen, die qua kenmerken zo verschillend mogelijk waren. Deze werden bij het HI ERN automatisch vervaardigd met behulp van een robotsysteem en daarmee werden anders identieke zonnecellen gemaakt. Vervolgens maten ze de efficiëntie. “Voor het succes van onze strategie was het cruciaal dat we dankzij ons volledig geautomatiseerde syntheseplatform echt vergelijkbare monsters produceerden en zo betrouwbare waarden voor de efficiëntie bepaalden,” zegt Christoph Brabec, die het werk bij het HI ERN leidde.

Met de behaalde efficiëntiewaarden en de kenmerken van de bijbehorende moleculen trainden de onderzoekers van het KIT een AI-model. Het model stelde vervolgens nog 48 moleculen voor tot synthese, gebaseerd op twee criteria: een verwachte hoge efficiëntie en onvoorspelbare eigenschappen. “Als het machine learning-model onzeker is over de voorspelling van de efficiëntie, loont het de moeite om het molecuul te vervaardigen voor nader onderzoek,” legt Pascal Friederich uit. “Het zou met een hoge efficiëntie kunnen verrassen.”

Inderdaad konden met de door de AI voorgestelde moleculen bovengemiddeld efficiënte zonnecellen worden gebouwd, waaronder ook die welke de modernste andere materialen overtreffen. “We kunnen niet met zekerheid zeggen dat we echt het beste onder een miljoen moleculen hebben gevonden, maar we zitten heel dicht bij het optimum,” zegt Friederich, tenure-track-professor voor Kunstmatige Intelligentie in de Materiaalwetenschap.

AI versus chemische intuïtie

De onderzoekers kunnen de moleculenvoorstellen van de AI in zekere mate begrijpen, omdat de gebruikte AI aangeeft welke kenmerken van de virtuele moleculen bepalend waren voor haar suggesties. Het bleek dat de AI-voorstellen soms ook op kenmerken vertrouwden, bijvoorbeeld het aanwezig zijn van bepaalde chemische groepen zoals amines, waar chemici tot nu toe minder aandacht aan hadden besteed.

Christoph Brabec en Pascal Friederich zijn ervan overtuigd dat hun strategie veelbelovend is voor materiaalonderzoek in andere toepassingsgebieden of kan worden uitgebreid tot de optimalisatie van complete componenten.

De onderzoeksresultaten, die in samenwerking met onderzoekers van de Universiteit Erlangen-Nürnberg, het Zuid-Koreaanse Ulsan National Institute of Science, de Chinese Xiamen University en de University of Electronic Science and Technology in Chengdu, China, tot stand kwamen, zijn recent gepubliceerd in het gerenommeerde tijdschrift “Science” (ffr).

Oorspronkelijke publicatie

Jianchang Wu, Luca Torresi, ManMan Hu, Patrick Reiser, Jiyun Zhang, Juan S. Rocha-Ortiz, Luyao Wang, Zhiqiang Xie, Kaicheng Zhang, Byung-wook Park, Anastasia Barabash, Yicheng Zhao, Junsheng Luo, Yunuo Wang, Larry Lüer, Lin-Long Deng, Jens A. Hauch, Dirk M. Guldi, M. Eugenia Pérez-Ojeda, Sang Il Seok, Pascal Friederich, Christoph J. Brabec: Inverse ontwerp van moleculaire hol-transportsemmiconductoren op maat gemaakt voor perovskiet-zonnecellen. Science, 2024. DOI 10.1126/science.ads0901.