據(jù)報道，德國科學家展示了人工智能（AI）如何實現(xiàn)大規(guī)模制造過氧化物太陽能電池（Adv. Mater.，doi: 10.1002/adma.202307160）。通過深度學習和可解釋人工智能的結合，他們發(fā)現(xiàn)可以識別半導體薄膜形成過程中的微妙變化，而這些變化是純粹的人工分析無法實現(xiàn)的，這有可能使這種前景廣闊的光伏技術實現(xiàn)工業(yè)化生產(chǎn)。

關注結晶

Perovskite 半導體是一種含有三種或三種以上元素和有機成分的材料，以特定的晶體結構排列。由極薄、均勻的包晶層和傳統(tǒng)光伏材料（如硅）組成的串聯(lián)太陽能電池的效率可高達 33%。然而，這種電池目前還存在一些缺陷--受潮和受光照后會迅速降解，而且到目前為止，這種設備還不能無缺陷地大規(guī)模制造。

新研究正是要解決后一個問題。這項工作由卡爾斯魯厄理工學院的烏爾里希-佩措爾德（Ulrich Paetzold）、德國癌癥研究中心互動機器學習小組的保羅-耶格爾（Paul J?ger）和他們的團隊共同完成，利用人工智能分析制造過氧化物太陽能電池最關鍵的步驟--過氧化物薄膜的結晶。

正如研究人員所解釋的那樣，這一過程的成功取決于與材料、實驗室設置和制造技術相關的眾多參數(shù)的優(yōu)化。由于這些參數(shù)的最佳設置是因地制宜的，因此目前只能通過反復試驗來確定。即便如此，由于條件變化太小，人類操作員無法察覺，也會導致表面上相同的參數(shù)集產(chǎn)生不同的結果。

Paetzold 及其同事并不是第一個使用人工智能來改進這一過程的人。其他科學家已經(jīng)利用機器學習來優(yōu)化諸如包晶石的具體類型、晶體結構或帶隙等。不過，這些早期工作所涉及的參數(shù)都僅限于薄膜本身。

全面的人工智能方法

與此相反，新的研究著眼于制作薄膜的整個過程。它將深度學習與幾種不同類型的可解釋人工智能相結合--前者用于尋找將流程輸入?yún)?shù)與流程結果聯(lián)系起來的模式，后者用于呈現(xiàn)人類可以理解的模式。

具體來說，實驗涉及分析1000多片由金屬鹵化物包晶制成的薄膜的干燥和結晶過程。這項工作借鑒了該研究小組已經(jīng)錄制的視頻，這些視頻捕捉了在多個時間點上每層薄膜產(chǎn)生的光致發(fā)光（用藍色發(fā)光二極管照射時）。

這項研究的想法是利用這些視頻的一部分來訓練神經(jīng)網(wǎng)絡。換句話說，將每段視頻中記錄的光致發(fā)光強度作為網(wǎng)絡的輸入，同時提供兩個輸出--已完成太陽能電池的效率和已制造薄膜的平均厚度。訓練完成后，研究人員給該網(wǎng)絡提供其余視頻中的光致發(fā)光數(shù)據(jù)，看它能多準確地預測相關效率和薄膜厚度。

研究人員發(fā)現(xiàn)，與人類對特定時間點的光致發(fā)光數(shù)據(jù)進行分析相比，這種人工智能視頻分析所提供的有關控制薄膜質(zhì)量因素的信息要多得多。特別是，他們能夠根據(jù)所生產(chǎn)薄膜的質(zhì)量，確定薄膜制造過程的哪個階段應該表現(xiàn)出最強烈的光致發(fā)光--這反過來又揭示了在薄膜生產(chǎn)過程中，用于使包晶石結晶的真空度需要如何升高和降低。

"離工業(yè)化 "更近一步

Paetzold及其同事認為，他們的技術讓社會離包晶石太陽能電池的工業(yè)化 "更近了一步"，他們說："我們只需分析視頻數(shù)據(jù)集，就能推斷出可行的建議，而無需進行大量昂貴的試錯實驗。

不過，他們也承認，他們的方法有其局限性。首先，該網(wǎng)絡無法像預測薄膜厚度那樣準確地預測太陽能電池的效率，因為在電池生產(chǎn)的后續(xù)步驟中會產(chǎn)生瑕疵。他們還指出，與任何基于人工智能的分析一樣，他們的方法依賴于大量的訓練數(shù)據(jù)。

另一個因素是數(shù)據(jù)質(zhì)量。具體來說，他們指出，提高該技術的空間分辨率--例如，通過掃描電子顯微鏡--可以更好地突出任何特定的晶體缺陷。研究人員表示，這無法在現(xiàn)場完成，但他們相信這不會成為阻礙。撇開連續(xù)太陽能電池生產(chǎn)步驟的影響不談，他們認為 "重要的未觀測參數(shù)和混雜因素的可能性相當?shù)?。