基于钙钛矿半导体的串联太阳能电池比传统硅太阳能电池更有效地将阳光转化为电能。为了使该技术为市场做好准备，需要在稳定性和制造工艺方面进一步改进。

卡尔斯鲁厄理工学院(KIT)和两个亥姆霍兹平台(德国癌症研究中心(DKFZ)的亥姆霍兹成像和亥姆霍兹AI)的研究人员成功找到了一种方法来预测钙钛矿层的质量，从而预测所得钙钛矿层的质量。太阳能电池。在机器学习和人工智能(AI)新方法的帮助下，可以根据制造过程中的光发射变化来评估其质量。

研究结果已发表在《先进材料》杂志上，可用于推导出更好的制造工艺。

钙钛矿串联太阳能电池将钙钛矿太阳能电池与传统太阳能电池(例如基于硅的太阳能电池)结合起来。这些电池被认为是下一代技术：目前它们的效率超过33%，远高于传统硅太阳能电池。此外，它们使用廉价的原材料并且易于制造。为了达到这种效率水平，必须生产极薄的高级钙钛矿层，其厚度仅为人类头发的一小部分。

“使用低成本和可扩展的方法制造这些没有任何缺陷或孔洞的高级多晶薄层是最大的挑战之一，”在微结构技术研究所进行研究的终身教授UlrichW.Paetzold说道。和卡尔斯鲁厄理工学院光技术研究所。

即使在表面上完美的实验室条件下，也可能存在导致半导体层质量变化的未知因素。“这一缺点最终会阻碍这些高效太阳能电池的工业规模生产的快速启动，而这些高效太阳能电池是能源周转所急需的。”

人工智能发现有效涂层的隐藏迹象

为了找到影响涂层的因素，由KIT钙钛矿太阳能电池专家组成的跨学科团队与亥姆霍兹成像公司的机器学习和可解释人工智能(XAI)专家以及海德堡DKFZ的亥姆霍兹AI专家联手。研究人员开发了使用庞大数据集训练和分析神经网络的人工智能方法。该数据集包括显示制造过程中钙钛矿薄层光致发光的视频记录。

光致发光是指被外部光源激发的半导体层的辐射发射。“由于即使是专家也无法看到薄层上的任何特殊情况，因此诞生了这个想法：训练人工智能系统进行机器学习(深度学习)，以从视频上数百万个数据项中检测涂层好坏的隐藏迹象，”DKFZ亥姆霍兹成像公司的卢卡斯·克莱因(LukasKlein)和塞巴斯蒂安·齐格勒(SebastianZiegler)对此进行了解释。

为了过滤和分析深度学习人工智能系统输出的广泛分散的指示，研究人员随后依赖于可解释人工智能的方法。

后续研究蓝图

研究人员通过实验发现，光致发光在生产过程中会发生变化，这种现象会对涂层质量产生影响。“我们工作的关键是有针对性地使用XAI方法来了解必须改变哪些因素才能获得高级太阳能电池，”Klein和Ziegler说。

这不是通常的方法。在大多数情况下，XAI仅用作一种护栏，以避免在构建AI模型时出现错误。“这是范式的改变：以如此系统的方式获得材料科学中高度相关的见解是一种全新的体验。”

确实是从光致发光变化中得出的结论使研究人员能够采取下一步行动。在对神经网络进行相应的训练后，人工智能能够根据制造过程中的哪个点发生的光发射变化来预测每个太阳能电池是否会实现低效率或高效率。

“这些结果非常令人兴奋，”UlrichW.Paetzold说。“得益于人工智能的结合使用，我们有了可靠的线索，知道首先需要改变哪些参数来提高产量。现在我们能够更有针对性地进行实验，而不再被迫寻找“大海捞针。这是后续研究的蓝图，也适用于能源研究和材料科学的许多其他方面。”

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：