Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

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

Opis projektu

Szybsza identyfikacja stabilnych perowskitów o szerokiej przerwie energetycznej dzięki AI

Perowskity o szerokiej przerwie energetycznej to obiecujące materiały półprzewodnikowe, w których przerwa energetyczna jest wyjątkowo wysoka. Stosowane w ogniwach słonecznych typu tandem (w połączeniu z dostępnymi na rynku ogniwami krzemowymi) umożliwiają bardziej efektywne wykorzystanie widma słonecznego, co pozwala przekroczyć standardowe granice wydajności. Długoterminowa stabilność działania pozostaje jednak ciągle wyzwaniem. Projekt Perov-AccTEST, korzystający ze wsparcia programu działania „Maria Skłodowska-Curie”, zajmuje się tą kwestią. W tym celu tradycyjne eksperymenty metodą prób i błędów zostały zastąpione ramami wykorzystującymi uczenie maszynowe. Ukierunkowane badanie przesiewowe różnorodnych receptur perowskitów będzie wspierane przez generowanie map jakości składu z wykorzystaniem uczenia maszynowego. Długoterminowa stabilność przewidywanych składów w warunkach wzmożonego obciążenia zostanie oceniona za pomocą technik optycznych o wysokiej przepustowości. Najlepszy kandydat zostanie włączony w prototypy wielozłączowych ogniw słonecznych z perowskitu i krzemu.

Cel

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.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

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

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) HORIZON-MSCA-2025-PF

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Koordynator

FORSCHUNGSZENTRUM JULICH GMBH
Wkład UE netto
€ 217 965,12
Koszt całkowity
Brak danych