Технология искусственного интеллекта помогает ученым улучшить процесс производства высокоэффективных солнечных элементов и обеспечивает основу для различных других областей исследований. Пероксидные тандемные солнечные элементы представляют собой передовую гибридную технологию, которая сочетает в себе пероксидные солнечные элементы с обычными солнечными элементами, обычно изготовленными из кремния. Этот инновационный подход находится на переднем крае солнечной технологии, его эффективность превышает 33%, что значительно превосходит стандартные кремниевые солнечные элементы.
Кроме того, сырье, которое они используют, дешево и легко в производстве. Чтобы достичь такого уровня эффективности, необходимо создать чрезвычайно тонкий слой усовершенствованной перекиси, составляющий лишь долю толщины человеческого волоса.
«Изготовление таких передовых поликристаллических тонких слоев без каких-либо дефектов или отверстий с использованием недорогого и масштабируемого метода является одной из самых больших задач», — сказал Ульрих В. Паецольд, штатный профессор, который проводит исследования в Институте технологии микроструктуры и Институте световых технологий KIT.
Даже в, казалось бы, идеальных лабораторных условиях могут существовать неизвестные факторы, вызывающие изменения в качестве полупроводникового слоя, объясняет Петцольд: «Этот недостаток в конечном итоге препятствует быстрому запуску промышленного производства этих высокоэффективных солнечных элементов, которые крайне необходимы для энергетического перехода».
ИИ находит скрытые признаки эффективных покрытий
Чтобы найти факторы, влияющие на покрытие, междисциплинарная группа экспертов по перикристаллическим солнечным элементам из KIT объединила усилия с экспертами по машинному обучению и объяснимому искусственному интеллекту (XAI) из Helmholtz Imaging и Helmholtz Artificial Intelligence из DKFZ Heidelberg.
Исследователи разработали методы искусственного интеллекта, позволяющие использовать огромный набор данных для обучения и анализа нейронных сетей. Набор данных включает видеозаписи, показывающие фотолюминесценцию тонких слоев перитекта в процессе изготовления. Фотолюминесценция относится к излучению, испускаемому слоем полупроводника при возбуждении внешним источником света.
Лукас Кляйн и Себастьян Циглер из DKFZ Helmholtz Imaging поясняют: «Поскольку даже эксперты не могут увидеть в тонком слое ничего особенного, нам пришла в голову идея обучить систему искусственного интеллекта машинного обучения (глубокого обучения) обнаруживать скрытые признаки хорошего или плохого покрытия на основе миллионов элементов видеоданных».
Чтобы отфильтровать и проанализировать широко рассредоточенные признаки результатов работы системы искусственного интеллекта с глубоким обучением, исследователи затем использовали объяснимые методы искусственного интеллекта.
План последующих исследований
Исследователи в ходе экспериментов обнаружили, что фотолюминесценция меняется в процессе производства, и это явление влияет на качество покрытия.
«Ключом к нашей работе является целенаправленное использование методов XAI, чтобы понять, какие факторы необходимо изменить, чтобы получить высококачественные солнечные элементы. Это не обычный подход. В большинстве случаев XAI используется только в качестве ограждения, чтобы избежать ошибок при построении моделей искусственного интеллекта. Это смена парадигмы: получение информации, которая очень важна для материаловедения, таким систематическим способом — это совершенно новый опыт», — сказали Кляйн и Циглер.
Фактически, именно выводы, сделанные на основе изменений фотолюминесценции, позволили исследователям сделать следующий шаг. После соответствующего обучения нейронной сети искусственный интеллект может предсказать, будет ли эффективность каждого солнечного элемента низкой или высокой, основываясь на изменении светового излучения, которое происходит на определенном этапе производственного процесса.
Ульрих В. Петцольд подчеркивает: «Эти результаты очень интересны. Благодаря совместному использованию искусственного интеллекта мы имеем надежные подсказки относительно того, какие параметры необходимо изменить в первую очередь, чтобы увеличить урожайность. Теперь мы можем проводить эксперименты более целенаправленно, вместо того, чтобы слепо искать иголку в стоге сена. Это план для последующих исследований, а также применим ко многим другим аспектам энергетических исследований и материаловедения».
Источник составления: ScitechDaily.