ENFA

Entwicklung effizienter ternärer NFA-basierter organischer Photovoltaik durch Machine-Learning Methoden: ENFA

progres.nrw

Die Photovoltaik spielt eine zentrale Rolle beim Ausbau der erneuerbaren Energien. Aufgrund ihrer Kombination aus Flexibilität, Transparenz, Robustheit und Kosteneffizienz hat die organische Photovoltaik das Potenzial, in Bereiche vorzudringen, die mit etablierten siliziumbasierten Technologien nur schwer oder gar nicht zu bedienen sind, wie etwa die gebäudeintegrierte Photovoltaik.

Bei der Planung von Experimenten in den physikalischen und chemischen Wissenschaften wird häufig ein Parameter nach dem anderen verändert, um dann ein Optimum in einem mehrdimensionalen Parameterraum zu finden. Da viele Prozessparameter stark korreliert sind, ist dieser Ansatz, den Parameterbereich entlang orthogonaler Linien zu navigieren, keine zeitsparende Strategie, um die optimale Parameterkombination zu finden.

Eine Alternative ist ein Ansatz zur Versuchsplanung, der auf Algorithmen des maschinellen Lernens wie der Support-Vektor-Regression oder der Bayes'schen Optimierung basiert und auf die Optimierung organischer Solarzellen angewendet wird. Darüber hinaus kann der Einsatz von Bayes'schen Inferenzmethoden in Kombination mit der Verwendung von Ersatzmodellen für numerische Gerätesimulationen dazu beitragen, Materialparameter aus spektroskopischen Experimenten zu extrahieren, z. B. aus der Messung intensitätsabhängiger Strom-Spannungs-Kurven, der Impedanzspektroskopie oder der transienten Photospannung. Schließlich kann die Korrelation der durch Bayes'sche Inferenz gewonnenen Materialparameter mit Prozessparametern zu einer Verringerung der Informationsentropie führen.