用CBAM-MS-1DCNN模型对GaAs太阳能电池进行自动定量诊断,用于绝对电解发光成像和分布式电路建模

科学领域:

• 半导体物理 半导体物理
• 材料科学是一种材料科学.
• 在工程领域的人工智能.

背景情况:

• 诊断太阳能电池缺陷的传统方法是手动的,耗时的.
• 对GaAs太阳能电池来说,精确模拟电性能和电发光 (EL) 强度的一致性至关重要.

研究的目的:

• 开发一种高效的自动化定量分析方法,用于在GaAs太阳能电池的暗点缺陷中诊断局部串联电阻 (Rs-mc).
• 为了克服传统模拟参数确定中手动代的局限性.

主要方法:

• 采用了一维卷积神经网络 (1DCNN) 模型与多尺度和卷积块注意模块 (CBAM-MS-1DCNN) 集成.
• 利用来自250个模拟的GaAs太阳能电池的20万个缺陷的数据集进行模型训练.
• 通过使用绝对电解发光 (EL) 图像验证了模型的性能.

主要成果:

• 该CBAM-MS-1DCNN模型实现了确定系数 (R2) >0.95和正常化根平均平方误差 (NRMSE) <5%的预测Rs-mc.
• 该模型在真实GaAs太阳能电池样本上显示了预测绝对EL强度的10%内的相对误差.
• 在模拟数据上训练的模型在实际设备上显示出良好的预测性能.

结论:

• 拟议的自动化方法有效地诊断GaAs太阳能电池中的局部串联电阻.
• CBAM-MS-1DCNN模型提供了一种可靠的方法,用于使用EL图像进行缺陷分析.
• 这项工作提供了一个可行的策略,用于生成EL图像数据集用于模型培训.