El aprendizaje automático predice precisamente las características del material para los fotovoltaicos de alto rendimiento

En el laboratorio, las células solares de perovskita muestran una alta eficiencia en la conversión de energía solar en electricidad. En combinación con células solares de silicio, podrían desempeñar un papel en la próxima generación de sistemas fotovoltaicos. Ahora los investigadores de Kit han demostrado que el aprendizaje automático es una herramienta crucial para mejorar el análisis de datos necesario para la fabricación comercial de células solares de perovskita. Presentan su resultados en Energía y ciencia ambiental.

Photovoltaics es una tecnología clave en los esfuerzos para descarbonizar el suministro de energía. Las células solares que usan capas de semiconductores de perovskita ya se jactan muy alta eficiencia niveles. Se pueden producir económicamente en diseños delgados y flexibles.

“Perovskite Photovoltaics está en el umbral de la comercialización, pero aún enfrenta desafíos en la estabilidad a largo plazo y la escala de grandes áreas de superficie”, dijo el profesor Ulrich Wilhelm Paetzold, un físico que realiza investigaciones en el Instituto de Tecnología de Microestructura y el Instituto de Tecnología de Luz (LTI) en KIT. “Nuestra investigación muestra que el aprendizaje automático es crucial para mejorar el monitoreo de la formación de película delgada de perovskita que se necesita para la producción industrial”.

Con el aprendizaje profundo (un método de aprendizaje automático que utiliza redes neuronales), los investigadores del kit pudieron hacer predicciones rápidas y precisas de las características del material de células solares y los niveles de eficiencia a escalas que exceden las del laboratorio.

Un paso hacia la viabilidad industrial

“Con los datos de medición registrados durante la producción, podemos usar el aprendizaje automático para identificar los errores de proceso antes de que las células solares terminen. No necesitamos ningún otro método de examen”, dijo Felix Laufer, investigador de LTI y autor principal del documento. “La velocidad y la efectividad de este método son una mejora importante para análisis de datoshaciendo posible resolver problemas que de otro modo serían muy difíciles de tratar “.

Al analizar un nuevo conjunto de datos que documenta la formación de películas delgadas de perovskite, los investigadores aprovecharon aprendizaje profundo Identificar correlaciones entre los datos del proceso y las variables objetivo, como la eficiencia de conversión de energía.

“Perovskite Photovoltaics tiene el potencial de revolucionar el mercado de fotovoltaicos”, dijo Paetzold, quien dirige el departamento de fotovoltaicos de próxima generación de LTI. “Mostramos cómo las fluctuaciones del proceso pueden analizarse cuantitativamente con los métodos de caracterización mejorados por aprendizaje automático Técnicas para garantizar la alta calidad de material y la homogeneidad de la capa de película en grandes áreas y tamaños de lotes. Este es un paso crucial hacia la viabilidad industrial “.