인공지능 기술은 과학자들이 고효율 태양전지 제조 공정을 개선하는 데 도움을 주고, 다양한 연구 분야에 청사진을 제공합니다. 과산화물 탠덤 태양전지는 과산화물 태양전지와 일반적으로 실리콘으로 만들어진 기존 태양전지를 혼합한 고급 하이브리드 기술을 나타냅니다. 이 혁신적인 접근 방식은 표준 실리콘 태양전지를 훨씬 능가하는 33% 이상의 효율로 태양광 기술의 최전선에 있습니다.
또한, 그들이 사용하는 원자재는 저렴하고 제조가 쉽습니다. 이러한 수준의 효율성을 달성하려면 인간 머리카락 두께의 일부에 불과한 극도로 얇은 고급 과산화물 층이 생성되어야 합니다.
KIT의 미세 구조 기술 연구소 및 빛 기술 연구소에서 연구를 수행하고 있는 종신 교수인 Ulrich W. Paetzold는 "저비용의 확장 가능한 방법을 사용하여 결함이나 구멍 없이 이러한 고급 다결정 얇은 층을 만드는 것이 가장 큰 과제 중 하나입니다."라고 말했습니다.
겉으로는 완벽해 보이는 실험실 조건에서도 반도체 층의 품질을 변화시키는 알려지지 않은 요인이 있을 수 있다고 Paetzold는 설명합니다. "이 결함은 궁극적으로 에너지 전환에 절실히 필요한 이러한 고효율 태양 전지의 산업적 생산의 신속한 시작을 방해합니다."
AI는 효과적인 코팅의 숨겨진 징후를 찾아냅니다.
코팅에 영향을 미치는 요인을 찾기 위해 KIT의 주결정 태양전지 전문가로 구성된 학제간 팀은 Helmholtz Imaging의 기계 학습 및 설명 가능한 인공 지능(XAI) 전문가와 DKFZ Heidelberg의 Helmholtz 인공 지능 전문가와 힘을 합쳤습니다.
연구원들은 대규모 데이터 세트를 사용하여 신경망을 훈련하고 분석하는 인공 지능 방법을 개발했습니다. 데이터 세트에는 제조 과정에서 얇은 페리텍트 층의 광발광을 보여주는 비디오 녹화물이 포함되어 있습니다. 광발광은 외부 광원에 의해 여기될 때 반도체 층에서 방출되는 방사선을 의미합니다.
DKFZ Helmholtz Imaging의 Lukas Klein과 Sebastian Ziegler는 다음과 같이 설명합니다. "전문가라도 얇은 층에서는 특별한 것을 볼 수 없기 때문에 우리는 수백만 개의 비디오 데이터 항목에서 코팅의 양호 또는 불량에 대한 숨겨진 징후를 감지하기 위해 기계 학습(딥 러닝) 인공 지능 시스템을 훈련시키는 아이디어를 생각해 냈습니다."
딥러닝 AI 시스템 출력의 널리 분산된 징후를 필터링하고 분석하기 위해 연구원들은 설명 가능한 AI 방법을 사용했습니다.
후속연구 청사진
연구진은 생산 과정에서 광발광이 변화하고, 이 현상이 코팅 품질에 영향을 미친다는 사실을 실험을 통해 알아냈다.
Klein과 Ziegler는 "우리 연구의 핵심은 고품질 태양 전지를 얻기 위해 어떤 요소를 변경해야 하는지 이해하기 위해 XAI 방법을 사용하는 것입니다. 이는 일반적인 접근 방식이 아닙니다. 대부분의 경우 XAI는 인공 지능 모델을 구축할 때 오류를 피하기 위한 가드레일로만 사용됩니다. 이는 패러다임의 변화입니다. 이렇게 체계적으로 재료 과학과 관련된 통찰력을 얻는 것은 완전히 새로운 경험입니다."라고 Klein과 Ziegler는 말했습니다.
사실, 연구자들이 다음 단계를 밟을 수 있게 한 것은 광발광의 변화로부터 도출된 결론이었습니다. 이에 따라 인공지능은 신경망을 학습시킨 뒤, 제조 공정 중 어느 시점에서 발생하는 빛 방출의 변화를 토대로 각 태양전지의 효율이 낮은지 높은지를 예측할 수 있다.
Ulrich W. Paetzold는 다음과 같이 강조합니다. "이러한 결과는 매우 흥미롭습니다. 인공 지능의 결합 덕분에 우리는 수율을 높이기 위해 어떤 매개 변수를 먼저 변경해야 하는지에 대한 신뢰할 수 있는 단서를 얻었습니다. 이제 우리는 무작정 건초 더미에서 바늘을 찾는 대신 보다 목표화된 방식으로 실험을 수행할 수 있습니다. 이는 후속 연구를 위한 청사진이며 에너지 연구 및 재료 과학의 다른 많은 측면에도 적용됩니다."
컴파일된 소스: ScitechDaily