了解钙钛矿性能的新方法

人工智能方法指导研究人员开发改进型制造工艺

钙钛矿串联太阳能电池的效率超过33%。另外，其使用的原材料价格低廉。但是，在卡尔斯鲁厄理工学院（KIT）微结构技术研究所和光技术研究所从事研究的Ulrich W. Paetzold认为，使用低成本及可扩展方法制造没有缺陷或空穴的优质多晶薄层是一个巨大的挑战。

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。Ulrich W. Paetzold解释说：“快速启动这类高效太阳能电池的产业化生产是能源转型所急需的，但最终还是受到此缺点的阻碍。”

为了找到影响涂层的因素，卡尔斯鲁厄理工学院钙钛矿太阳能电池专家组成的跨学科团队与德国海德堡癌症研究中心（DKFZ）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，利用庞大的数据集训练并分析神经网络。该数据集包括视频记录，其中显示了制造钙钛矿薄层期间的光致发光。德国癌症研究中心亥姆霍兹成像专家Lukas Klein和Sebastian Ziegler解释说：“即便是专家也无法看出薄层上有什么特别之处，因此我们萌生了训练机器学习（深度学习）人工智能系统的想法，以便从数百万个视频数据项中检测出涂层好坏的隐藏迹象。”

深度学习人工智能系统输出的迹象分散广泛，研究人员为过滤和分析这些迹象，后续还采用了可解释人工智能方法。

研究人员通过实验发现，生产过程中光致发光会发生变化，这一现象会影响涂层质量。Lukas Klein和Sebastian Ziegler表示：“我们研究的关键是有针对性地使用可解释人工智能方法，以便了解需改变哪些因素才能获得优质太阳能电池。”可解释人工智能方法并非惯常方法。在大多数情况下，该方法仅用作一种护栏，避免构建人工智能模型时出现错误。Lukas Klein和Sebastian Ziegler补充道：“这是一种范式改变：以如此系统的方式获得材料科学领域高度相关见解是一种全新的体验。”

事实上，研究人员正因为从光致发光变化中得出结论，才能够采取下一步行动。在对神经网络进行相应训练后，人工智能就能根据太阳能电池制造过程中出现发光变化的的时间点，预测每块太阳能电池的效率高低。

Ulrich W. Paetzold表示：“这些结果非常令人兴奋。得益于人工智能的联合使用，我们有了可靠的线索，知道了要先改变哪些参数才能提高产量。现在，我们能够开展更具针对性的实验，不必盲目地大海捞针。这是后续研究的蓝图，也适用于能源研究和材料科学的其他许多方面。”

参考文献

'Discovering Process Dynamics for Scalable Perovskite Solar Cell Manufacturing with Explainable AI' by Lukas Klein et al ; Advanced Materials ( 2023)