发现可扩展矿太阳能电池制造过程动力学与可解释的AI

科学领域:

• 材料科学 材料科学 材料科学
• 能源科学 能源科学
• 太阳能光伏发电是如何实现的

背景情况:

• 矿薄膜的大面积加工在质量控制方面带来了挑战,阻碍了矿光伏的商业化.
• 目前可扩展的制造方法依赖于低效的试错方法.
• 现场光发光 (PL) 视频数据提供了洞察力,但对于手工分析来说太复杂了.

研究的目的:

• 应用深度学习 (DL) 和可解释的人工智能 (XAI) 来理解矿薄膜形成.
• 在处理过程中将传感器数据与太阳能电池性能相关联.
• 将复杂的数据关系转化为可理解和可操作的建议,用于工业规模的制造.

主要方法:

• 利用深度学习 (DL) 算法来分析高维的现场光发射 (PL) 视频数据.
• 采用可解释的人工智能 (XAI) 技术来解释DL模型发现的关系.
• 从薄膜形成过程中集成的传感器数据与最终太阳能电池的性能指标.

主要成果:

• 在矿薄膜加工过程中获得的传感器数据与由此产生的太阳能电池性能之间确定了关键关系.
• 通过XAI.成功地呈现了复杂的数据性能相关性.
• 证明了XAI在指导过程优化和提高制造一致性方面的潜力.

结论:

• 深度学习和XAI是加速能源应用材料科学研究的强大工具.
• 可解释的人工智能对于弥合复杂数据分析和实际工业实施之间的差距至关重要.
• 这种方法促进了矿太阳能电池的强大和可扩展的制造工艺的开发.