传统上，测试新的太阳能电池技术的过程既缓慢又昂贵，需要多个步骤。在一名五年级博士生的带领下，约翰霍普金斯大学的一个团队开发了一种机器学习方法，有望大大加快这一过程，为更高效、更实惠的可再生能源解决方案铺平道路。
“我们的工作表明，机器学习可以简化太阳能电池的测试过程，”团队负责人Kevin Lee说，他与电气和计算机工程研究生Arlene Chiu, Yida Lin, Sreyas Chintapalli和Serene Kamal以及本科生Eric Ji一起参与了这个项目。“这不仅节省了时间和资源，而且为清洁能源技术的发展开辟了新的可能性。”
该团队的研究结果发表在《高级智能系统》杂志上。
将新的太阳能材料和设备商业化的一个主要障碍是漫长的制造-测试-迭代周期。为市场优化一种新的太阳能电池材料是一个艰巨的过程。在制造出设备后，需要进行多次耗时的测量以了解其材料特性。然后，这些数据被用来调整制造过程，重复这个循环。
新方法通过从一次测量中提取所有材料的重要特征，大大减少了这一时间。与其他通过计算机模拟数据进行训练的方法(通常会产生不准确的结果)不同，霍普金斯团队的方法使用的是真实世界的数据。
他们的神经网络从一个太阳能电池收集数千个数据点，捕捉复杂的特性和由缺陷引起的变化，如自旋铸造条纹、裂缝和污染物，从而消除了制造数千个太阳能电池的需要。
“凯文的方法有可能加快光伏的开发时间，”李的顾问和研究合著者Susanna Thon说，她是JHU Whiting工程学院的电气和计算机工程副教授，也是该大学拉尔夫·奥康纳可持续能源研究所的副主任。
“Kevin不再需要费力地在许多设备上进行多次测量来了解你需要了解的设备行为，而是通过他的[机器学习]算法，现在可以通过一次测量告诉你你想知道的关于设备及其属性的一切，只需大约30秒。”
李的系统的另一个新颖之处在于，它从太阳能电池中获取数据的空间地图，并将其转换为图像。
李说:“通常，在制造新的太阳能电池后，最常见的测量方法之一被称为JV曲线，它的作用是测量电池对光的反应。”
“我们的想法是将这些JV曲线映射转换为图像，这样我们就可以利用先进的机器学习模型，而不是材料科学的应用，而是计算机视觉的应用，来学习太阳能电池的行为模式。”
新方法的另一个好处是它适用于太阳能电池以外的各种材料和设备，可能会加快从材料发现到市场采用的时间。
“从理论上讲，我们开发的系统可以用于测量其他设备，如晶体管和光传感器，”李说。“这个系统节省的时间和准确性可能会导致一系列新技术被更快地创造出来，我很高兴看到这一点。”
更多信息:Hoon Jeong Lee等人，利用实验数据训练的神经网络预测PbS胶体量子点太阳能电池参数，高级智能系统(2024)。DOI: 10.1002 / aisy.202400310引用本文:工程师开发了一种简化太阳能电池测试的方法，加速了一个缓慢而昂贵的过程(2024,10月10日)除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
