در آزمایشگاه، سلولهای خورشیدی پروسکایت در تبدیل انرژی خورشیدی به الکتریسیته، بازدهی بالایی از خود نشان میدهند. در ترکیب با سلولهای خورشیدی سیلیکونی، آنها میتوانند نقشی در نسل بعدی سیستمهای فتوولتائیک ایفا کنند. اکنون محققان در KIT نشان دادهاند که یادگیری ماشین ابزاری حیاتی برای بهبود تجزیه و تحلیل دادههای مورد نیاز برای ساخت تجاری سلولهای خورشیدی پروسکایت است. آنها نتایج خود را در Energy & Environmental Science ارائه میکنند.
فتوولتائیک یک فناوری کلیدی در تلاشها برای کربنزدایی از تأمین انرژی است. سلولهای خورشیدی با استفاده از لایههای نیمهرسانای پروسکایت از سطوح بازدهی بالا برخوردار هستند. آنها میتوانند به طور اقتصادی در طرحهای نازک و انعطافپذیر تولید شوند.
پروفسور اولریش ویلهلم پتزولد، فیزیکدان که در موسسه فناوری ریزساختار و موسسه فناوری نور (LTI) در KIT تحقیق میکند، گفت: «فتوولتائیک پروسکایت در آستانه تجاریسازی قرار دارد، اما هنوز با چالشهایی در پایداری طولانیمدت و مقیاسبندی به سطوح بزرگتر مواجه است. تحقیقات ما نشان میدهد که یادگیری ماشین برای بهبود نظارت بر شکلگیری لایههای نازک پروسکایت که برای تولید صنعتی مورد نیاز است، حیاتی است.»
با یادگیری عمیق (روشی در یادگیری ماشین که از شبکههای عصبی استفاده میکند)، محققان KIT توانستند پیشبینیهای سریع و دقیقی از ویژگیهای مواد سلول خورشیدی و سطوح بازدهی در مقیاسهایی فراتر از آزمایشگاه ارائه دهند.
گامی به سوی قابلیت تجاری
فلیکس لاوفر، محقق LTI و نویسنده اصلی این مقاله، گفت: «با استفاده از دادههای اندازهگیری شده در طول تولید، میتوانیم از یادگیری ماشین برای شناسایی خطاهای فرآیند قبل از اتمام سلولهای خورشیدی استفاده کنیم. ما به هیچ روش بررسی دیگری نیاز نداریم. سرعت و اثربخشی این روش یک پیشرفت بزرگ برای تجزیه و تحلیل دادهها است و حل مسائلی را ممکن میسازد که در غیر این صورت رسیدگی به آنها بسیار دشوار خواهد بود.»
محققان با تجزیه و تحلیل مجموعه دادهای جدید که مستندات شکلگیری لایههای نازک پروسکایت را نشان میدهد، از یادگیری عمیق برای شناسایی همبستگیها بین دادههای فرآیند و متغیرهای هدف مانند بازده تبدیل انرژی استفاده کردند.
پتزولد، رئیس بخش فتوولتائیک نسل بعدی LTI، گفت: «فتوولتائیک پروسکایت این پتانسیل را دارد که بازار فتوولتائیک را متحول کند. ما نشان میدهیم که چگونه میتوان نوسانات فرآیند را به طور کمی با روشهای شناسایی تقویتشده توسط تکنیکهای یادگیری ماشین تجزیه و تحلیل کرد تا از کیفیت بالای مواد و همگنی لایه فیلم در مناطق بزرگ و اندازههای دستهای اطمینان حاصل شود. این یک گام حیاتی به سوی قابلیت تجاری است.»