用人工智能改進過氧化物太陽能電池的制造工藝

人工智能技術(shù)有助于科學家改進高效太陽能電池的制造工藝，為其他各個研究領(lǐng)域提供了藍本。過氧化物串聯(lián)太陽能電池代表了一種先進的混合技術(shù)，它將過氧化物太陽能電池與通常由硅制成的傳統(tǒng)太陽能電池融合在一起。這種創(chuàng)新方法站在了太陽能技術(shù)的最前沿，效率超過 33%，大大超過了標準硅太陽能電池。

此外，它們使用的原材料價格低廉，易于制造。要達到這一效率水平，必須生產(chǎn)極薄的高級過氧化物層，其厚度僅為頭發(fā)絲的一小部分。

在 KIT 微結(jié)構(gòu)技術(shù)研究所和光技術(shù)研究所從事研究工作的終身教授 Ulrich W. Paetzold 說："使用低成本和可擴展的方法制造這種沒有任何缺陷或孔洞的高級多晶體薄層是最大的挑戰(zhàn)之一。"

即使在看似完美的實驗室條件下，也可能存在導致半導體層質(zhì)量變化的未知因素，Paetzold 解釋說："這一缺陷最終阻礙了這些高效太陽能電池工業(yè)化生產(chǎn)的快速啟動，而這正是能源轉(zhuǎn)型所急需的。"

人工智能發(fā)現(xiàn)有效鍍膜的隱藏跡象

為了找到影響涂層的因素，由 KIT 的包晶體太陽能電池專家組成的跨學科團隊與海德堡 DKFZ 的亥姆霍茲成像和亥姆霍茲人工智能的機器學習和可解釋人工智能 (XAI) 專家聯(lián)手合作。

研究人員開發(fā)了人工智能方法，利用一個龐大的數(shù)據(jù)集對神經(jīng)網(wǎng)絡進行訓練和分析。該數(shù)據(jù)集包括視頻記錄，顯示了制造過程中包晶石薄層的光致發(fā)光。光致發(fā)光是指半導體層被外部光源激發(fā)后發(fā)出的輻射。

來自 DKFZ Helmholtz Imaging 公司的 Lukas Klein 和 Sebastian Ziegler 解釋說："由于即使是專家也看不出薄層上有什么特別之處，因此我們萌生了訓練機器學習（深度學習）人工智能系統(tǒng)的想法，以便從數(shù)百萬個視頻數(shù)據(jù)項中檢測出涂層好壞的隱藏跡象。"

為了過濾和分析深度學習人工智能系統(tǒng)輸出的廣泛分散的跡象，研究人員隨后采用了可解釋人工智能的方法。

后續(xù)研究的藍圖

研究人員通過實驗發(fā)現(xiàn)，光致發(fā)光在生產(chǎn)過程中會發(fā)生變化，這種現(xiàn)象會對涂層質(zhì)量產(chǎn)生影響。

Klein 和 Ziegler 說："我們工作的關(guān)鍵是有針對性地使用 XAI 方法，以了解必須改變哪些因素才能獲得高質(zhì)量的太陽能電池。這不是通常的方法。在大多數(shù)情況下，XAI 只被用作一種護欄，以避免在建立人工智能模型時出現(xiàn)錯誤。這是一種范式的改變： 以如此系統(tǒng)的方式獲得與材料科學高度相關(guān)的見解是一種全新的體驗"。

事實上，正是從光致發(fā)光變化中得出的結(jié)論讓研究人員得以邁出下一步。在對神經(jīng)網(wǎng)絡進行了相應的訓練之后，人工智能能夠根據(jù)制造過程中哪個環(huán)節(jié)出現(xiàn)的光發(fā)射變化，預測每塊太陽能電池的效率是低還是高。

Ulrich W. Paetzold 強調(diào)說："這些結(jié)果非常令人興奮。得益于人工智能的結(jié)合使用，我們有了可靠的線索，知道了首先需要改變哪些參數(shù)才能提高產(chǎn)量�，F(xiàn)在，我們能夠以更有針對性的方式進行實驗，而不再是盲目地大海撈針。這是后續(xù)研究的藍圖，也適用于能源研究和材料科學的許多其他方面"。