據報道，德國科學家展示了人工智能（AI）如何實現大規(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的，這有可能使這種前景廣闊的光伏技術實現工業(yè)化生產。

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的優(yōu)化。由于這些參數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集產生不同的結果。

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參數與流程結果聯系起來的模式，后者用于呈現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錄制的視頻，這些視頻捕捉了在多個時間點上每層薄膜產生的光致發(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網絡。換句話說，將每段視頻中記錄的光致發(fā)光強度作為網絡的輸入，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，研究人員給該網絡提供其余視頻中的光致發(fā)光數據，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，與人類對特定時間點的光致發(fā)光數據進行分析相比，這種人工智能視頻分析所提供的有關控制薄膜質量因素的信息要多得多。特別是，他們能夠根據所生產薄膜的質量，確定薄膜制造過程的哪個階段應該表現出最強烈的光致發(fā)光--這反過來又揭示了在薄膜生產過程中，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據集，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，因為在電池生產的后續(xù)步驟中會產生瑕疵。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據。

另一個因素是數據質量。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)太陽能電池生產步驟的影響不談，他們認為 "重要的未觀測參數和混雜因素的可能性相當低"。