Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Physics-Informed Machine Learning for Rapid Characterisation of Semiconductors

Projektbeschreibung

Physikalisch fundierte KI für Solarelemente der nächsten Generation

Die Entwicklung effizienter, stabiler und skalierbarer Sonnenenergietechnologien stellt nach wie vor eine Herausforderung beim Übergang zu einer klimaneutralen Energiewirtschaft dar. Mit Unterstützung durch das Marie-Skłodowska-Curie-Maßnahmenprogramm wird im Rahmen des MatLearn-Projekts ein physikalisch fundierter digitaler Zwilling entwickelt, um die Konstruktion und Optimierung von Tandem-Halbleiterbauelementen für die Photovoltaik der nächsten Generation zu beschleunigen. Dabei wird die Halbleiterphysik in neuronale Netze des maschinellen Lernens eingebettet, um physikalisch interpretierbare Ersatzmodelle zu erstellen. Diese Modelle werden das Versuch-und-Irrtum-Verfahren reduzieren und die Photovoltaikentwicklung beflügeln. Durch die Analyse von Unregelmäßigkeiten im Nanobereich unter realen Betriebsbedingungen wird das Projekt das Wissen um die Stabilität und Leistung der Bauelemente verbessern. MatLearn wird quelloffene Tools bereitstellen, die Europas Umstellung auf saubere Energie unterstützen.

Ziel

The development of more efficient and stable semiconductor energy generation devices, such as photovoltaics (PVs), is key to achieve the EU’s 2050 decarbonisation targets. Tandem architectures, which stack multiple semiconductor junctions, are a promising technology that can enable more efficient and longer-lasting optoelectronic devices that far surpass those of single junction architectures. However, optimizing such complex multi-junction systems requires navigating a vast material and deposition parameter space that cannot be addressed through trial-and-error or conventional modeling alone. MatLearn introduces a novel physics-informed digital twin framework that combines drift-diffusion simulations with machine learning. By embedding semiconductor physics into Physics-Informed Neural Networks (PINNs), we aim to achieve physically consistent surrogate models that go far beyond black-box approaches, reducing data needs and providing interpretable insights. These models will enable processing and rapidly inferring key material and device parameters from large mutlimodal operando microscopy data, which would be impossible with existing approaches. This will allow us gain insight into nanoscale disorder in tandem devices under real-world operation to link to device performance and stability. Dr. Brenes brings unique expertise from academia and industry, spanning semiconductor physics, high-performance computing (HPC), device modeling, and automation. In this project, he will expand his skills in advanced characterization, supervision, and collaborative research, while transferring industry-driven approaches to data and modeling. By merging physics-informed modeling, machine learning, and operando measurements, MatLearn will deliver transferable, open-source tools for the rapid optimisation of tandem semiconductor devices, driving Europe’s progress toward clean energy and sustainable technology.

Wissenschaftliches Gebiet (EuroSciVoc)

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) HORIZON-MSCA-2025-PF

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Koordinator

THE CHANCELLOR MASTERS AND SCHOLARS OF THE UNIVERSITY OF CAMBRIDGE
Netto-EU-Beitrag
€ 260 347,92
Adresse
TRINITY LANE THE OLD SCHOOLS
CB2 1TN CAMBRIDGE
Vereinigtes Königreich
Region
East of England East Anglia Cambridgeshire CC
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
Keine Daten