人工智慧技術有助於科學家改進高效能太陽能電池的製造工藝，為其他各個研究領域提供了藍本。過氧化物串聯太陽能電池代表了一種先進的混合技術，它將過氧化物太陽能電池與通常由矽製成的傳統太陽能電池融合在一起。這種創新方法站在了太陽能技術的最前沿，效率超過33%，大大超過了標準矽太陽能電池。

在人工智慧方法的輔助下，研究人員正在努力改進高效過氧化物太陽能電池的製造流程。圖片來源：Amadeus Bramsiepe，KIT

此外，它們使用的原材料價格低廉，易於製造。要達到這一效率水平，必須生產極薄的高級過氧化物層，其厚度僅為頭髮絲的一小部分。

在KIT 微結構技術研究所和光技術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製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品質變化的未知因素，Paetzold 解釋說：「這一缺陷最終阻礙了這些高效能太陽能電池工業化生產的快速啟動，而這正是能源轉型所急需的。”

人工智慧發現有效鍍膜的隱藏跡象

為了找到影響塗層的因素，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) 專家聯手合作。

研究人員開發了人工智慧方法，利用一個龐大的資料集對神經網路進行訓練和分析。此資料集包括影片記錄，顯示了製造過程中包晶石薄層的光致發光。光致發光是指半導體層被外部光源激發後發出的輻射。

來自DKFZ Helmholtz Imaging 公司的Lukas Klein 和Sebastian Ziegler 解釋說：”由於即使是專家也看不出薄層上有什麼特別之處，因此我們萌生了訓練機器學習（深度學習）人工智慧系統的想法，以便從數百萬個視訊資料項目中檢測出塗層好壞的隱藏跡象。”

為了過濾和分析深度學習人工智慧系統輸出的廣泛分散的跡象，研究人員隨後採用了可解釋人工智慧的方法。

後續研究的藍圖

研究人員透過實驗發現，光致發光在生產過程中會發生變化，這種現象會對塗層品質產生影響。

Klein 和Ziegler 說：”我們工作的關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品質的太陽能電池。這不是通常的方法。在大多數情況下，XAI 只被用作一種護欄，以避免在建立人工智慧模型時出現錯誤。這是一種範式的改變： 以如此系統的方式獲得與材料科學高度相關的見解是一種全新的體驗”。

事實上，正是從光致發光變化中得出的結論讓研究人員得以邁出下一步。在對神經網路進行了相應的訓練之後，人工智慧能夠根據製造過程中哪個環節出現的光發射變化，預測每個太陽能電池的效率是低還是高。

Ulrich W. Paetzold 強調：「這些結果非常令人興奮。由於人工智慧的結合使用，我們有了可靠的線索，知道了首先需要改變哪些參數才能提高產量。現在，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。這是後續研究的藍圖，也適用於能源研究和材料科學的許多其他方面”。

編譯來源：ScitechDaily