Team Hochdurchsatz Materialien und Devices für die PV erhält Förderung im Rahmen der Ausschreibung von Helmholtz-KI-Projekten
HI ERN ist Teil des AI-InSu-Pero Projekts. Im Rahmen des Projekts werden wir eine durch künstliche Intelligenz gesteuerte In-situ-Analyse der skalierbaren Perowskit-Dünnschichtabscheidung entwickeln.
Helmholtz-KI stärkt die Anwendung und Entwicklung von angewandter Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML). In der zweiten Ausschreibung von Helmholtz-KI hat ein hochkarätig besetztes internationales Expertengremium 17 kooperative High-Risk-High-Reward-Forschungsprojekte ausgewählt. Helmholtz investiert insgesamt 6,6 Millionen Euro in diese neuartigen Ansätze - die Hälfte davon wird aus dem Impuls- und Vernetzungsfonds der Gemeinschaft bereitgestellt.
"Der zweihundertste Geburtstag von Hermann von Helmholtz in diesem Jahr ist eine großartige Gelegenheit, Strategien der künstlichen Intelligenz und des maschinellen Lernens auf einige der großen Herausforderungen unserer Zeit anzuwenden", sagt Otmar D. Wiestler, der Präsident der Helmholtz-Gemeinschaft. "Die 17 ausgewählten Projekte nutzen leistungsstarke KI und maschinelles Lernen, um komplexe Fragestellungen in ihren jeweiligen Bereichen anzugehen. Ich wünsche unseren Wissenschaftlern viel Erfolg und hervorragende Forschungsergebnisse."
In der zweiten Helmholtz-Ausschreibung für KI-Projekte wurden 62 Projektvorschläge eingereicht (gegenüber 55 in der ersten Runde), was zeigt, dass die Nachfrage nach dieser Förderlinie ungebrochen hoch ist. Die 17 ausgewählten Projekte nutzen neuartige Analysewerkzeuge, um drängende wissenschaftliche und konkrete Transferherausforderungen mit Hilfe von KI zu lösen. Die Projekte fördern die Erprobung dieser neuen Ansätze, werden von mehreren Partnern getragen und sollen in bis zu drei Jahren umgesetzt werden - mit dem Potenzial, schnell größere Folgeprojekte hervorzubringen.
Das Projekt "AI-InSu-Pero - Artificial Intelligence Guided In-situ Analysis of Scalable Perovskite Thin Film Deposition" ist eines der 17 ausgewählten Projekte. In AI-InSu-Pero arbeiten wir gemeinsam mit dem KIT und dem Deutschen Krebsforschungszentrum an der Entwicklung neuartiger, auf KI basierender Methoden zur Verbesserung von Perowskit-Solarzellen.
Im Rahmen der globalen Bestrebungen zur Entwicklung eines nachhaltigen Energieportfolios genießt die Erforschung neuartiger photovoltaischer (PV) Materialien höchste Aufmerksamkeit. Die Materialklasse der lösungsgefertigten Perowskit-Halbleiter zeichnet sich als besonders vielversprechendes, aber aufgrund der verwickelten Prozesse während der Dünnschichtbildung hochkomplexes Materialsystem aus. Perowskit-basierte Solarzellen werden als ein wichtiger Baustein eines zukünftigen kostengünstigen und nachhaltigen Energieportfolios angesehen. Die Methoden der künstlichen Intelligenz (KI) haben sich erst in den letzten zehn Jahren deutlich weiterentwickelt, haben aber schnell Einzug in unser tägliches Leben gehalten. So wie KI-Methoden bereits einige bahnbrechende Bereiche wie die medizinische Bilddiagnostik vorantreiben, sind sie geeignet, die kombinatorische Materialforschung und -verarbeitung zu revolutionieren, indem sie Computer-Vision-Aufgaben, Mustererkennung, Merkmalsextraktion und Korrelationsanalysen in experimentellen Daten beschleunigen. Im Rahmen dieses Projekts werden die KI-Algorithmen entwickelt, die für die Erkennung von Defekten und Inhomogenitäten sowie von Korrelationen der Filmqualität in In-situ-Bilddaten von lösungsprozessierten Perowskit-Dünnschichten erforderlich sind. Darüber hinaus wollen wir im Sinne eines "Hochrisikoprojekts" ein erklärbares KI-Modell realisieren, d.h. KI-Methoden einsetzen, um das Verständnis der Prozessschritte und der Dynamik während der Perowskit-Dünnschichtbildung zu verbessern. Das Erreichen dieser Ziele ist ein wichtiger Meilenstein und ein erster Schritt in Richtung der Entwicklung von KI für die Echtzeit-Überwachung der Abscheidung von hochkomplexen Materialien.
Erfahren Sie mehr über Helmholtz-AI
KONTAKT
Dr. Jens Hauch
Abteilungsleiter Teamleiter "High Throughput Materials and Devices"
Raum 1.12