与传统的硅太阳能电池相比，基于过氧化物半导体的太阳能电池能更有效地将太阳光转化为电能。为了使这项技术能够投放市场，需要进一步改进稳定性和制造工艺。
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）的亥姆霍兹成像公司和亥姆霍兹人工智能公司--的研究人员成功地找到了一种方法，可以预测过氧化物层的质量，进而预测太阳能电池的质量。在机器学习和人工智能（AI）新方法的帮助下，可以在生产过程中通过光发射的变化来评估太阳能电池的质量。
这些结果可用于推导出更好的制造工艺，已发表在《先进材料》（Advanced Materials）上。
透镜串联太阳能电池将透镜太阳能电池与传统太阳能电池（例如基于硅的太阳能电池）结合在一起。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，它们使用的原材料价格低廉，易于制造。要达到这样的效率水平，必须生产极薄的高级过氧化物层，其厚度仅为头发丝的一小部分。
"在 KIT 微结构技术研究所和光技术研究所从事研究的终身教授 Ulrich W. Paetzold 说："使用低成本和可扩展的方法制造这种没有任何缺陷或孔洞的高级多晶体薄层是最大的挑战之一。
即使在看似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。"这一缺陷最终阻碍了这些高效太阳能电池工业化生产的快速启动，而这正是能源转型所急需的。"
人工智能发现有效镀膜的隐藏迹象
为了找到影响镀膜的因素，由 KIT 的包晶体太阳能电池专家组成的跨学科团队与海德堡 DKFZ 的亥姆霍兹成像和亥姆霍兹人工智能的机器学习和可解释人工智能 (XAI) 专家联手合作。研究人员开发了人工智能方法，利用一个庞大的数据集对神经网络进行训练和分析。该数据集包括视频记录，显示了制造过程中包晶石薄层的光致发光。
光致发光是指半导体层在外部光源激发下的辐射发射。"来自 DKFZ Helmholtz Imaging 公司的 Lukas Klein 和 Sebastian Ziegler 解释说："由于即使是专家也看不出薄层上有什么特别之处，因此我们产生了训练机器学习（深度学习）人工智能系统的想法，以便从视频中的数百万个数据项中检测出涂层好坏的隐藏迹象。
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迹象，研究人员随后采用了可解释人工智能的方法。
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，而这种现象会对涂层质量产生影响。"Klein 和 Ziegler 说："我们工作的关键是有针对性地使用 XAI 方法，以了解必须改变哪些因素才能获得高质量的太阳能电池。
这不是通常的方法。在大多数情况下，XAI 只被用作一种护栏，以避免在建立人工智能模型时出现错误。"这是一种范式的改变： 以如此系统的方式获得与材料科学高度相关的见解是一种全新的体验"。
事实上，正是从光致发光变化中得出的结论让研究人员得以迈出下一步。在对神经网络进行了相应的训练之后，人工智能能够根据制造过程中哪个环节出现的光发射变化，预测每块太阳能电池的效率是低还是高。
参考文献: Lukas Klein et al, Discovering Process Dynamics for Scalable Perovskite Solar Cell Manufacturing with Explainable AI, Advanced Materials (2023). DOI: 10.1002/adma.202307160
