Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

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

Description du projet

L’identification accélérée par l’IA de pérovskites stables à large bande interdite

Les pérovskites à large bande interdite sont des matériaux semi-conducteurs présentant une bande interdite élevée. Utilisées dans des cellules solaires en tandem (associées à des cellules en silicium disponibles dans le commerce), elles permettent une utilisation plus efficace du spectre solaire afin de dépasser les limites de rendement standard. La stabilité de fonctionnement à long terme reste toutefois un défi majeur. Soutenu par le programme Actions Marie Skłodowska-Curie, le projet Perov-AccTEST vise à y remédier en remplaçant les expérimentations traditionnelles par essais et erreurs par un cadre guidé par l’apprentissage automatique. Le criblage ciblé de diverses formulations de pérovskites s’appuiera sur la génération, assistée par l’apprentissage automatique, de cartes de qualité des compositions. La stabilité à long terme des compositions prédites dans des conditions de contrainte intensifiées sera évaluée à l’aide d’une caractérisation optique à haut débit. La meilleure composition candidate sera intégrée dans des prototypes de cellules solaires à jonctions multiples en pérovskite–silicium.

Objectif

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.

Champ scientifique (EuroSciVoc)

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

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

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2025-PF

Voir tous les projets financés au titre de cet appel

Coordinateur

FORSCHUNGSZENTRUM JULICH GMBH
Contribution nette de l'UE
€ 217 965,12
Coût total
Aucune donnée