传统上，测试新太阳能电池技术的过程缓慢且成本高昂，需要多个步骤。由五年级博士领导。约翰霍普金斯大学的学生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 一起工作，关于该项目。“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。”

团队的结果出现在先进的智能系统。

新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。为市场优化新型太阳能电池材料是一个艰巨的过程。设备制成后，需要进行多次耗时的测量才能了解其性能材料特性。然后，该数据用于调整制造过程，重复该循环。

新方法通过从一次测量中提取所有材料的重要特征，大大缩短了这一时间。与其他基于计算机模拟数据训练的方法（通常会产生不准确的结果）不同，霍普金斯大学团队的方法使用真实世界的数据。

他们的神经网络从一个太阳能电池收集数千个数据点，捕获由旋转铸造条纹、裂纹和污染物等缺陷引起的复杂特性和变化，并且无需制造数千个太阳能电池太阳能电池。

“凯文的方法有可能加快光伏发电的开发速度，”李的顾问兼研究合著者苏珊娜·托恩 (Susanna Thon) 说，她是约翰霍普金斯大学怀廷工程学院电气和计算机工程副教授，也是该大学拉尔夫·奥康纳可持续发展中心的副主任。能源研究所。

“Kevin 借助他的[机器学习]算法，现在可以告诉您有关设备的所有信息，而不是在许多设备上费力地进行多次测量来了解您需要了解的设备行为。设备其属性只需大约 30 秒即可完成一次测量。”李的系统的另一个新颖特征是它从太阳能电池获取数据的空间图并将其转换为图像。

“通常，创建新太阳能电池后最常见的测量结果之一称为 JV 曲线，它的作用是测量电池对光的响应，”Lee 说。

“我们的想法是将这些合资曲线图转换为图像，这样我们就可以利用先进的技术

机器学习为不在其中的应用程序开发的模型材料科学，但在计算机视觉中，学习太阳能电池行为的模式。”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，有可能加快从材料发现到市场采用的时间。

“理论上，我们开发的系统可用于测量其他设备，例如晶体管和光传感器，”李说。

“节省的时间和该系统的准确性可能会导致更快地创建各种新技术，我很高兴看到这一点发生。”

更多信息：Hoon Jeong Lee 等人，使用根据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，先进的智能系统（2024）。DOI：10.1002/aisy.202400310