새로운 태양전지 기술을 테스트하는 과정은 전통적으로 느리고 비용이 많이 들며 여러 단계를 거쳐야 했습니다.5년차 박사가 주도합니다.학생인 Johns Hopkins 팀은 이 프로세스의 속도를 극적으로 가속화하여 보다 효율적이고 저렴한 재생 에너지 솔루션을 위한 길을 닦는 기계 학습 방법을 개발했습니다.

동료 전기 및 컴퓨터 공학 대학원생 Arlene Chiu, Yida Lin, Sreyas Chintapalli, Serene Kamal 및 학부생 Eric Ji와 함께 작업한 팀 리더 Kevin Lee는 "우리 연구는 기계 학습이 태양 전지 테스트 프로세스를 간소화할 수 있다는 것을 보여줍니다."라고 말했습니다.프로젝트에."이는 시간과 자원을 절약할 뿐만 아니라 청정에너지 기술 개발을 위한 새로운 가능성을 열어줍니다."

팀의결과~에 나타나다고급 지능형 시스템.

새로운 태양광 소재 및 장치를 상용화하는 데 있어 주요 장애물은 오랜 제작-테스트-반복 주기입니다.시장에 맞는 새로운 태양전지 재료를 최적화하는 것은 힘든 과정입니다.장치가 제작된 후 장치를 이해하려면 시간이 많이 걸리는 여러 측정이 필요합니다.재료 특성.그런 다음 이 데이터는 사이클을 반복하면서 제조 프로세스를 조정하는 데 사용됩니다.

새로운 방법은 단일 측정에서 모든 재료의 중요한 특성을 추출하여 이 시간을 대폭 단축합니다.종종 부정확한 결과를 생성하는 컴퓨터 시뮬레이션 데이터로 훈련된 다른 방법과 달리 Hopkins 팀의 접근 방식은 실제 데이터를 사용합니다.

그들의신경망하나의 태양 전지에서 수천 개의 데이터 포인트를 수집하여 스핀 캐스팅 줄무늬, 균열 및 오염 물질과 같은 결함으로 인한 복잡한 특성 및 변화를 포착하고 수천 개의 데이터 포인트를 제조할 필요가 없습니다.태양전지.

"Kevin의 방법은 광전지 개발 시간을 단축할 수 있는 잠재력을 가지고 있습니다"라고 JHU의 Whiting School of Engineering 전기 및 컴퓨터 공학 부교수이자 대학의 Ralph O'Connor Sustainable 부소장인 Susanna Thon의 고문이자 연구 공동 저자는 말했습니다.에너지 연구소.

"장치 동작에 대해 알아야 할 사항을 배우기 위해 여러 장치에서 힘들게 여러 측정을 수행하는 대신 Kevin은 [기계 학습] 알고리즘 덕분에 이제 장치 동작에 대해 알고 싶은 모든 것을 알려줄 수 있습니다.장치약 30초가 소요되는 단일 측정을 통해 그 특성을 파악할 수 있습니다."Lee 시스템의 또 다른 새로운 특징은 태양전지에서 데이터의 공간 지도를 가져와 이미지로 변환한다는 것입니다.

"일반적으로 새로운 태양 전지를 만든 후 얻는 가장 일반적인 측정 중 하나는 JV 곡선이라고 하며, 이것이 하는 일은 빛에 대한 전지의 반응을 측정하는 것입니다."라고 Lee는 말했습니다.

"우리는 이러한 JV 곡선 맵을 이미지로 변환하여 고급 기능을 활용할 수 있다는 아이디어를 가지고 있었습니다.

기계 학습다음이 아닌 애플리케이션용으로 개발된 모델재료과학, 그러나 컴퓨터 비전에서는 태양 전지 동작의 패턴을 학습합니다."새로운 방법의 또 다른 이점은 태양전지를 넘어 다양한 재료와 장치에 적용할 수 있어 재료 발견에서 시장 채택까지의 시간을 잠재적으로 가속화할 수 있다는 것입니다.

"이론적으로 우리가 개발한 시스템은 트랜지스터나 광 센서와 같은 다른 장치를 측정하는 데 사용될 수 있습니다"라고 Lee는 말했습니다.

"시간이 절약되고 이 시스템의 정확성으로 인해 다양한 신기술이 훨씬 더 빠르게 생성될 수 있으며, 이러한 일이 일어날 것으로 기대됩니다."

추가 정보:이훈정 외, 실험 데이터로 훈련된 신경망을 사용하여 PbS 콜로이드 양자점 태양전지 매개변수 예측,고급 지능형 시스템(2024).DOI: 10.1002/aisy.202400310