据中国激光杂志社网,于2024年01月03日报道,钙钛矿串联太阳能电池是钙钛矿和传统的太阳能电池的结合,是最有效的光伏技术之一,被广泛认为是“下一代技术”。
近日,德国的研究团队展示了人工智能如何助力钙钛矿太阳能电池的大规模生产。钙钛矿半导体薄膜形成过程中的细微变化仅靠人工是无法分析的,而深度学习和可解释的人工智能的结合可以实现这一目标,这项技术有助于这种有前途的光伏技术实现工业化生产。该研究成果发表在Advanced Materials上。
聚焦钙钛矿薄膜结晶
钙钛矿半导体材料包含三种及以上的元素和有机成分,它们按特定的晶体结构排列。钙钛矿串联太阳能电池由非常薄且均匀的钙钛矿层和传统的光伏材料(如硅)组成,效率高达33%。然而,这种电池目前仍有许多缺点,比如在潮湿环境和光线下会迅速降解。目前不能进行无缺陷大规模生产。
卡尔斯鲁厄理工学院的Ulrich Paetzold、德国癌症研究中心互动机器学习小组的Paul Jäger及其团队探究了如何利用人工智能推动钙钛矿太阳能电池的大规模生产,具体聚焦于运用人工智能技术分析制造钙钛矿太阳能电池的最关键步骤—钙钛矿薄膜的结晶。
正如研究人员所解释的,这一过程的成功取决于材料、实验室设置和制造技术的相关参数优化。由于这些参数的最佳设置是特定的,它们目前必须通过试验来确定。即便如此,当参数变化太小而无法被人类操作员注意到时,这可能会导致表面上相同的一组参数产生不同的结果。
Paetzold和他的同事并不是第一个使用人工智能来尝试改进这一过程的人。其他科学家已经利用机器学习来优化具有特定晶体结构或带隙的钙钛矿。然而,在这些早期工作中涉及的参数都只局限于薄膜本身。
一种全面的人工智能方法
相比之下,新的研究着眼于制作薄膜的整个过程。它通过将深度学习与几种不同类型、可解释的人工智能相结合来实现这一目标。前者是为了找到将输入参数与输出联系起来的模式,后者是为了使这些模式更容易被人类理解。
具体实验涉及了1000多个由金属卤化物钙钛矿制成的薄膜的干燥和结晶分析。这项工作借鉴了该团队已经录制的视频,这些视频捕捉了每个薄膜在多个时间点上产生的光致发光(当用蓝色LED照射时)。
这项研究的想法是使用部分视频来训练神经网络,即将每个视频中记录的光致发光强度作为网络的输入和两个输出(完整的太阳能电池效率和制造的薄膜平均厚度)。经过训练后,该网络将获得剩余视频中的光致发光数据,届时可以看到其预测的相关效率和薄膜厚度的准确性。
研究人员发现,与人工对特定时间点的光致发光数据的分析相比,人工智能视频分析提供了更多关于控制薄膜质量的信息。他们能够根据钙钛矿薄膜质量来确定制造过程中光致发光最强烈的阶段,进而确定如何调整薄膜生产过程中的真空度。
向工业化迈进一步
Paetzold及其同事认为,他们的技术使钙钛矿太阳能电池向工业化“迈进了一步”,他们表示:“我们能够通过分析视频数据集推断出可行的建议,而无需进行广泛且昂贵的反复试验。”
然而,他们承认其方法有局限性。第一,当涉及电池生产的后续步骤中产生的缺陷时,该网络无法像预测薄膜厚度那样精准预测太阳能电池的效率。第二,该方法像其他基于人工智能的分析一样也依赖于足够的训练数据。第三,数据质量的好坏也会对结果产生影响。提高该技术的空间分辨率(例如,借助扫描电子显微镜)可以更好地突出任何特定的晶体缺陷。虽然这并不能马上进行,但他们相信这终将开展。暂且不考虑连续的太阳能电池生产步骤的影响,他们认为“存在重要未观察到的参数和干扰因素的可能性相当低。”
Ulrich Paetzold表示:“由于人工智能的结合使用,我们知道首先需要做出哪些调整,以提高产量,可以更有针对性地进行实验,不再需要在黑暗中大海捞针。后续研究方向包括能源研究和材料科学在内的许多其他领域。”