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

AI-Driven Discovery of Stable Wide Band Gap Perovskite Materials for Perovskite-Silicon Multi-Junction Solar Cell

Descripción del proyecto

Identificación acelerada mediante inteligencia artificial de perovskitas estables de banda ancha

Las perovskitas de banda ancha son materiales semiconductores con bandas prohibidas de alta energía. Cuando se utilizan en células solares en tándem (en capas con células de silicio disponibles en el mercado), permiten un uso más eficaz del espectro solar para superar los límites de eficiencia estándar. La estabilidad operativa a largo plazo sigue siendo un reto persistente. Con el apoyo de las acciones Marie Skłodowska-Curie, el proyecto Perov-AccTEST pretende abordar este problema sustituyendo la experimentación tradicional basada en el método de prueba y error por un marco guiado por el aprendizaje automático. La selección específica de diversas formulaciones de perovskita se verá respaldada por la generación, asistida por aprendizaje automático, de mapas de calidad de la composición. La estabilidad a largo plazo de las composiciones previstas en condiciones de estrés intensificado se evaluará mediante caracterización óptica de alto rendimiento. La mejor candidata se integrará en prototipos de células solares de perovskita-silicio de múltiples uniones.

Objetivo

The conversion of solar energy into electricity is critical for reducing carbon emissions and expanding renewable energy generation. Photovoltaic (PV) technologies offer a compelling solution for grid-connected and building-integrated applications. Among emerging materials, halide perovskites have shown exceptional promise for next-generation PV devices. In particular, wide bandgap halide perovskites, when integrated in tandem with commercially available silicon solar cells, are revolutionizing the solar industry. These multi-junction architectures enable significantly higher power conversion efficiencies by more effectively harvesting the solar spectrum.
However, the long-term operational stability of wide bandgap perovskites remains a key bottleneck in advancing perovskite–silicon tandem technologies. Traditional trial-and-error approaches to materials discovery are slow and labor-intensive, limiting progress. This project proposes a machine learning–guided closed-loop experimental framework to accelerate the identification of stable wide bandgap perovskite compositions. The workflow integrates robotic synthesis, high-throughput optical characterization, rapid data analysis, and predictive modeling to efficiently navigate complex multi-dimensional composition spaces.
In Phase I, a Materials Acceleration Platform (MAP) will be deployed to screen diverse perovskite formulations. Machine learning algorithms will generate composition–quality maps, enabling targeted exploration without exhaustive testing. In Phase II, an Accelerated Testing Platform (ATP) will be used to evaluate the long-term stability of ML-predicted compositions under intensified stress conditions. Multiple samples will be tested in a high throughput manner to identify robust candidates. The most stable composition will then be advanced for integration into multi-junction perovskite–silicon solar cell prototypes.

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

FORSCHUNGSZENTRUM JULICH GMBH
Aportación neta de la UEn
€ 217 965,12
Coste total
Sin datos