L’apprentissage automatique prédit précisément les caractéristiques des matériaux pour le photovoltaïque haute performance

En laboratoire, les cellules solaires de la pérovskite présentent une grande efficacité dans la conversion de l’énergie solaire en électricité. En combinaison avec des cellules solaires de silicium, ils pourraient jouer un rôle dans la prochaine génération de systèmes photovoltaïques. Maintenant, les chercheurs de Kit ont démontré que l’apprentissage automatique est un outil crucial pour améliorer l’analyse des données nécessaires à la fabrication commerciale des cellules solaires de pérovskite. Ils présentent leur résultats dans Énergie et sciences de l’environnement.

Le photovoltaïque est une technologie clé dans les efforts de décarbonisation de l’approvisionnement énergétique. Les cellules solaires utilisant des couches semi-conductrices de pérovskite se vante déjà très grande efficacité niveaux. Ils peuvent être produits économiquement dans des conceptions minces et flexibles.

« Le photovoltaïque de la pérovskite est au seuil de commercialisation mais fait toujours face à des défis dans la stabilité à long terme et à l’échelle des grandes surfaces », a déclaré le professeur Ulrich Wilhelm Paetzold, un physicien qui mène des recherches à l’Institut de technologie de microstructure et du Light Technology Institute (LTI) à Kit. « Nos recherches montrent que l’apprentissage automatique est crucial pour améliorer la surveillance de la formation de films minces de pérovskite qui est nécessaire pour la production industrielle. »

Avec l’apprentissage en profondeur (une méthode d’apprentissage automatique qui utilise des réseaux de neurones), les chercheurs de kit ont pu faire des prédictions rapides et précises des caractéristiques des matériaux des cellules solaires et des niveaux d’efficacité à des échelles dépassant celles du laboratoire.

Un pas vers la viabilité industrielle

« Avec les données de mesure enregistrées pendant la production, nous pouvons utiliser l’apprentissage automatique pour identifier les erreurs de processus avant la fin des cellules solaires. Nous n’avons pas besoin d’autres méthodes d’examen », a déclaré Felix Laufer, chercheur du LTI et auteur principal de l’article. « La vitesse et l’efficacité de cette méthode sont une amélioration majeure pour analyse des donnéespermettant de résoudre des problèmes qui seraient autrement très difficiles à gérer. « 

En analysant un nouvel ensemble de données documentant la formation de films minces de pérovskite, les chercheurs se sont exploités apprentissage en profondeur pour identifier les corrélations entre les données du processus et les variables cibles telles que l’efficacité de conversion de puissance.

« Le photovoltaïque du pérovskite a le potentiel de révolutionner le marché des photovoltaïques », a déclaré Paetzold, qui dirige le département de photovoltaïque de la prochaine génération de l’ILti. « Nous montrons comment les fluctuations de processus peuvent être analysées quantitativement avec des méthodes de caractérisation améliorées par apprentissage automatique Techniques pour assurer une qualité de matériau élevée et une homogénéité de la couche de film sur de grandes zones et des tailles de lots. Il s’agit d’une étape cruciale vers la viabilité industrielle. «