据报道，德国科学家展示了人工智能（AI）如何实现大规模制造过氧化物太阳能电池（Adv. Mater.，doi: 10.1002/adma.202307160）。通过深度学习和可解释人工智能的结合，他们发现可以识别半导体薄膜形成过程中的微妙变化，而这些变化是纯粹的人工分析无法实现的，这有可能使这种前景广阔的光伏技术实现工业化生产。
关注结晶
Perovskite 半导体是一种含有三种或三种以上元素和有机成分的材料，以特定的晶体结构排列。由极薄、均匀的包晶层和传统光伏材料（如硅）组成的串联太阳能电池的效率可高达 33%。然而，这种电池目前还存在一些缺陷--受潮和受光照后会迅速降解，而且到目前为止，这种设备还不能无缺陷地大规模制造。
新研究正是要解决后一个问题。这项工作由卡尔斯鲁厄理工学院的乌尔里希-佩措尔德（Ulrich Paetzold）、德国癌症研究中心互动机器学习小组的保罗-耶格尔（Paul Jäger）和他们的团队共同完成，利用人工智能分析制造过氧化物太阳能电池最关键的步骤--过氧化物薄膜的结晶。
正如研究人员所解释的那样，这一过程的成功取决于与材料、实验室设置和制造技术相关的众多参数的优化。由于这些参数的最佳设置是因地制宜的，因此目前只能通过反复试验来确定。即便如此，由于条件变化太小，人类操作员无法察觉，也会导致表面上相同的参数集产生不同的结果。
Paetzold 及其同事并不是第一个使用人工智能来改进这一过程的人。其他科学家已经利用机器学习来优化诸如包晶石的具体类型、晶体结构或带隙等。不过，这些早期工作所涉及的参数都仅限于薄膜本身。
全面的人工智能方法
与此相反，新的研究着眼于制作薄膜的整个过程。它将深度学习与几种不同类型的可解释人工智能相结合--前者用于寻找将流程输入参数与流程结果联系起来的模式，后者用于呈现人类可以理解的模式。
具体来说，实验涉及分析1000多片由金属卤化物包晶制成的薄膜的干燥和结晶过程。这项工作借鉴了该研究小组已经录制的视频，这些视频捕捉了在多个时间点上每层薄膜产生的光致发光（用蓝色发光二极管照射时）。
这项研究的想法是利用这些视频的一部分来训练神经网络。换句话说，将每段视频中记录的光致发光强度作为网络的输入，同时提供两个输出--已完成太阳能电池的效率和已制造薄膜的平均厚度。训练完成后，研究人员给该网络提供其余视频中的光致发光数据，看它能多准确地预测相关效率和薄膜厚度。
研究人员发现，与人类对特定时间点的光致发光数据进行分析相比，这种人工智能视频分析所提供的有关控制薄膜质量因素的信息要多得多。特别是，他们能够根据所生产薄膜的质量，确定薄膜制造过程的哪个阶段应该表现出最强烈的光致发光--这反过来又揭示了在薄膜生产过程中，用于使包晶石结晶的真空度需要如何升高和降低。
"离工业化 "更近一步
Paetzold及其同事认为，他们的技术让社会离包晶石太阳能电池的工业化 "更近了一步"，他们说："我们只需分析视频数据集，就能推断出可行的建议，而无需进行大量昂贵的试错实验。
不过，他们也承认，他们的方法有其局限性。首先，该网络无法像预测薄膜厚度那样准确地预测太阳能电池的效率，因为在电池生产的后续步骤中会产生瑕疵。他们还指出，与任何基于人工智能的分析一样，他们的方法依赖于大量的训练数据。
另一个因素是数据质量。具体来说，他们指出，提高该技术的空间分辨率--例如，通过扫描电子显微镜--可以更好地突出任何特定的晶体缺陷。研究人员表示，这无法在现场完成，但他们相信这不会成为阻碍。撇开连续太阳能电池生产步骤的影响不谈，他们认为 "重要的未观测参数和混杂因素的可能性相当低"。
0 comments:
New comments are not allowed.