Ableitung von Materialparametern aus Strom-Spannungs-Kurven in organischen Solarzellen mittels neuronaler Netzwerke basierter Ersatzmodelle
Maschinelles Lernen hat sich als vielversprechender Ansatz für die Schätzung von Materialparametern in Solarzellen herausgestellt. Herkömmliche Methoden zur Parameterextraktion basieren oft auf zeitaufwändigen numerischen Simulationen, die die volle Komplexität des Parameterraums nicht erfassen und wertvolle Informationen aus suboptimalen Simulationen verwerfen. In dieser Studie stellen wir einen Arbeitsablauf für die Parameterschätzung in organischen Solarzellen vor, der auf einer Kombination aus numerischen Simulationen und neuronalen Netzen basiert. Der Arbeitsablauf beginnt mit der Auswahl eines geeigneten experimentellen Datensatzes, gefolgt von der Definition eines Gerätemodells, das das Experiment genau beschreibt. Um die Rechenkomplexität zu reduzieren, werden die Anzahl der variablen Parameter und ihre Grenzen sorgfältig ausgewählt. Anstatt die experimentellen Daten direkt mit einem numerischen Modell anzupassen, wurde ein neuronales Netzwerk auf einem großen Datensatz simulierter Ergebnisse trainiert, was eine effiziente Erforschung des hochdimensionalen Parameterraums ermöglicht. Dieser Ansatz beschleunigt nicht nur den Prozess der Parameterschätzung, sondern liefert auch wertvolle Erkenntnisse über die Wahrscheinlichkeit und Unsicherheit der geschätzten Parameter. Wir demonstrieren die Wirksamkeit dieser Methode an organischen Solarzellen auf Basis der Materialsysteme PBDB-TF-T1:BTP-4F-12 und PM6:L8-BO und zeigen damit das Potenzial des maschinellen Lernens für die schnelle und umfassende Charakterisierung neuer photovoltaischer Materialien.
