Оловянные перовскиты 14,51%: где здесь ИИ и выгода

14,51% — это не «красивое число для пресс-релиза», а редкий случай, когда лабораторный результат сразу намекает на реальную масштабируемость. В начале декабря 2025 года исследователи показали оловянные (свинец‑свободные) перовскитные солнечные элементы площадью 1 см² с сертифицированной эффективностью 14,51% и при этом — без фуллеренов в электрон-транспортном слое. Для отрасли это важно по двум причинам: снижается стоимость и технологическая сложность ключевого слоя, а значит, повышаются шансы на промышленный процесс.

Но меня больше цепляет другое: такие материалы — идеальная «площадка» для ИИ в науке и исследованиях. Не в смысле модных лозунгов, а как конкретный инструмент, который помогает быстрее находить рабочие формулы слоёв, предсказывать деградацию и настраивать производство так, чтобы «магия» не терялась при увеличении площади.

Почему отказ от фуллеренов — это практичная инженерная победа

Ключевой смысл работы: заменить распространённые фуллереновые ETL (electron transport layer, электрон‑транспортные слои) на нефуллереновые фторированные полимеры с «тройной акцепторной» архитектурой (P1–P3). Это решает сразу несколько типовых болей оловянных перовскитов.

Что было не так с фуллереновыми ETL

Фуллерены в перовскитной фотогальванике любят за предсказуемость, но у них есть набор неприятных особенностей:

• высокая стоимость и сложные цепочки синтеза;
• неидеальная электронная подвижность (в контексте требовательных интерфейсов Sn‑перовскитов);
• ограниченное взаимодействие с перовскитным слоем, что особенно заметно на больших площадях.

Для крупных устройств (а 1 см² — это уже честный шаг к модульной логике) «плохой контакт» на интерфейсе быстро превращается в потери: где-то слой тоньше, где-то толще, где-то микропустота, и ток начинает «упираться».

Что дали полимеры P1–P3

Авторы использовали нефуллереновые полимеры‑акцепторы. Важная инженерная деталь: они формируют непрерывный, конформный интерфейс с перовскитом — проще говоря, лучше «облегают» поверхность и дают более равномерный контакт по площади.

Лучшим оказался P3, потому что у него:

• более удачное выравнивание энергетических уровней (это напрямую влияет на потери напряжения);
• эффективный перенос электронов;
• «гидрофобный характер» благодаря длинным алкильным боковым цепям и фторзамещениям.

Результаты по эффективности:

• 16,06% (сертифицировано 15,90%) для площади 0,04 см²;
• 14,67% (сертифицировано 14,51%) для площади 1 см².

А по стабильности: оба типа устройств сохранили более 85% начальной эффективности после 550 часов непрерывной засветки при 1 Sun.

Сильная мысль, которую удобно цитировать: масштабирование в перовскитах ломается не «в объёме», а на интерфейсах. И именно интерфейс здесь улучшили.

Почему 14,51% на 1 см² — это сигнал рынку, а не только науке

Главный барьер для перовскитов давно не в том, чтобы показать высокую эффективность на маленьком пикселе. Барьер — чтобы не потерять её при росте площади и при реальных условиях эксплуатации.

«Сантиметр» как граница между прототипом и процессом

Площадь 1 см² часто воспринимают как промежуточную, но она уже раскрывает проблемы, которые на 0,04 см² можно не заметить:

• неоднородность кристаллизации;
• микродефекты и поры;
• вариативность толщины слоёв;
• чувствительность к влаге и кислороду;
• рост утечек и рекомбинации по краям.

Если материал (и интерфейс) работает на 1 см², появляется шанс проектировать:

• серийный процесс нанесения (вплоть до рулонных подходов);
• контроль качества по картам параметров;
• предсказуемую деградацию и планы по барьерным покрытиям.

Стабильность 550 часов: почему это не «слишком мало»

550 часов — это не «всё, можно ставить на крышу». Но это честный показатель, что:

• деградация не «падает в ноль» за первые недели испытаний;
• есть материалный механизм защиты (гидрофобность P3), а не только лабораторная удача;
• можно строить следующий этап: стек, барьеры, модуль, полевые тесты.

Где ИИ действительно полезен: от молекулы до модуля

В серии «Искусственный интеллект в науке и исследованиях» мы обычно говорим о том, как ИИ ускоряет цикл гипотеза → эксперимент → вывод. В перовскитах это особенно заметно, потому что комбинаций материалов и режимов производства слишком много для ручного перебора.

1) ИИ для подбора ETL: быстрее, чем традиционный скрининг

Прямая польза: модели могут предсказывать, какие структуры полимеров дадут нужное выравнивание уровней и совместимость с перовскитом.

Как это выглядит на практике:

• входные данные: структурные дескрипторы молекул, расчётные уровни HOMO/LUMO, параметры растворимости, подвижность, контактный угол, данные по морфологии;
• выход: рейтинг кандидатов и прогноз «узких мест» (например, риск энергетического барьера на интерфейсе).

Я бы поставил на гибридный подход: квантово‑химические расчёты + ML‑модель, которая учится на результатах реальных устройств. Так резко падает число «пустых» синтезов.

2) Модели деградации: прогноз вместо сюрприза

Перовскиты деградируют по нескольким каналам: влага, кислород, свет, температура, миграция ионов. Когда появляется новый ETL (как P3), важно понять: он просто «держится 550 часов», или меняет механизм деградации.

ИИ здесь полезен в формате:

• моделей остаточного ресурса (remaining useful life) по данным стабильности;
• выявления ранних признаков деградации по форме J–V кривых, импедансу (EIS), фотолюминесценции;
• кластеризации «типов отказа» по наборам диагностических сигналов.

Для энергосистем это критично: если вы встраиваете новые фотоэлементы в распределённую генерацию, вам нужно планирование обслуживания, а не «ждать, пока упадёт мощность».

3) Компьютерное зрение для контроля качества больших площадей

Как только вы идёте к большим площадям и модулям, появляются банальные вопросы производства:

• где микротрещина?
• где зона с другой толщиной?
• где инородная частица?

Компьютерное зрение (в том числе на оптических/электролюминесцентных изображениях) может:

• строить карты дефектов;
• связывать дефект с параметрами процесса (скорость нанесения, температура отжига, влажность);
• давать подсказки по корректировке режима в реальном времени.

Это и есть «умное производство» в энергетике: меньше брака, выше повторяемость, ниже стоимость ватта.

Как такие элементы вписываются в умные энергосистемы и где здесь лиды

Ответ по делу: более дешёвые и масштабируемые свинец‑свободные перовскиты повышают экономику распределённой генерации, а ИИ делает эту генерацию управляемой.

Сценарии применения, которые выглядят реалистично

Не обязательно начинать с «солнечных ферм на десятилетия». Для новых материалов часто работают ниши:

• BIPV (интеграция в фасады/остекление) при правильной упаковке;
• автономные датчики и IoT‑устройства (энергосбор на месте);
• гибридные решения: перовскитные слои в составе многослойных модулей;
• пилотные установки на объектах с развитой системой мониторинга.

Что спросить у команды/подрядчика, если вы планируете пилот

Если ваша цель — внедрение и измеримый эффект, я бы начал с чек‑листа:

1. Какая целевая площадь устройства/модуля и как контролируется однородность?
2. Какие протоколы стабильности используются кроме 1 Sun (температура, влажность, циклы)?
3. Какие данные доступны для обучения моделей (J–V, EIS, изображения, климатические условия)?
4. Как устроен мониторинг генерации и прогноз выработки (на уровне инвертора/SCADA/EMS)?

Здесь часто и появляется задача «под лид»: компании нужны не только материалы, но и связка сенсоры → данные → ИИ‑модель → решение в энергоменеджменте.

Что это меняет в 2026 году: мой прогноз по траектории

Я ожидаю, что в 2026 году фокус сместится с рекордов эффективности к трём вещам:

• повторяемость на больших площадях (статистика партий важнее пиков);
• упаковка и барьерные слои как часть дизайна, а не «после»;
• данные производства как актив: кто лучше собирает данные и учит модели, тот быстрее снижает себестоимость.

Оловянные перовскиты без фуллеренов выглядят особенно перспективно именно потому, что они убирают дорогой и сложный компонент из стека. А когда стэк проще, его легче автоматизировать — и вот тут ИИ перестаёт быть модным словом и становится инструментом масштабирования.

Если вы работаете в энергетике или электроэнергетике и думаете о пилотах ВИЭ, вопрос на ближайшие месяцы звучит так: какие данные вы готовы собирать уже сейчас, чтобы через год управлять новой генерацией предсказуемо, а не «на глаз»?