Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español es
CORDIS - Resultados de investigaciones de la UE
CORDIS

Physics-Informed Machine Learning for Rapid Characterisation of Semiconductors

Descripción del proyecto

Inteligencia artificial basada en principios físicos para una nueva generación de dispositivos solares

El desarrollo de tecnologías de energía solar eficientes, estables y escalables sigue siendo uno de los retos de la transición hacia un sistema energético climáticamente neutro. En el proyecto MatLearn, respaldado por las acciones Marie Skłodowska-Curie, se creará un gemelo digital basado en principios físicos para agilizar el diseño y la optimización de dispositivos semiconductores en tándem para la energía fotovoltaica de nueva generación. Para ello, se incorporarán principios de la física de semiconductores a redes neuronales de aprendizaje automático con el fin de obtener modelos sustitutos que puedan interpretarse desde el punto de vista físico. Estos modelos reducirán la necesidad de recurrir al ensayo y error y agilizarán el desarrollo de tecnologías fotovoltaicas. El análisis del desorden a nanoescala en condiciones reales de funcionamiento permitirá comprender mejor la estabilidad y el rendimiento de los dispositivos. Las herramientas de código abierto desarrolladas en MatLearn contribuirán a la transición de Europa hacia una energía limpia.

Objetivo

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.

Ámbito científico (EuroSciVoc)

Palabras clave

Programa(s)

Tema(s)

Régimen de financiación

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

Ver todos los proyectos financiados en el marco de este régimen de financiación

Convocatoria de propuestas

(se abrirá en una nueva ventana) HORIZON-MSCA-2025-PF

Ver todos los proyectos financiados en el marco de esta convocatoria

Coordinador

THE CHANCELLOR MASTERS AND SCHOLARS OF THE UNIVERSITY OF CAMBRIDGE
Aportación neta de la UEn
€ 260 347,92
Dirección
TRINITY LANE THE OLD SCHOOLS
CB2 1TN CAMBRIDGE
Reino Unido
Región
East of England East Anglia Cambridgeshire CC
Tipo de actividad
Higher or Secondary Education Establishments
Enlaces
Coste total
Sin datos