傳統上，測試新太陽能電池技術的過程緩慢且成本高昂，需要多個步驟。由五年級博士領導。約翰霍普金斯大學的學生團隊開發了一種機器學習方法，預計將大大加快這一過程，為更有效率、更實惠的再生能源解決方案鋪平道路。

「我們的工作表明，機器學習可以簡化太陽能電池測試過程，」團隊負責人 Kevin Lee 說，他與電氣和電腦工程研究生 Arlene Chiu、Yida Lin、Sreyas Chintapalli 和 Serene Kamal 以及本科生 Eric Ji 一起工作，關於該項目。“這不僅節省了時間和資源，而且為清潔能源技術的發展開闢了新的可能性。”

團隊的結果出現在先進的智慧系統。

新太陽能材料和設備商業化的一個主要障礙是漫長的製造-測試-迭代週期。為市場優化新型太陽能電池材料是一個艱鉅的過程。設備製成後，需要進行多次耗時的測量才能了解其性能材料特性。然後，該數據用於調整製造過程，重複該循環。

新方法透過從一次測量中提取所有材料的重要特徵，大大縮短了這一時間。與其他基於電腦模擬資料訓練的方法（通常會產生不準確的結果）不同，霍普金斯大學團隊的方法使用真實世界的資料。

他們的神經網路從一個太陽能電池收集數千個數據點，捕獲由旋轉鑄造條紋、裂縫和污染物等缺陷引起的複雜特性和變化，並且無需製造數千個太陽能電池太陽能電池。

「凱文的方法有可能加快光伏發電的開發速度，」李的顧問兼研究合著者蘇珊娜·托恩(Susanna Thon) 說，她是約翰霍普金斯大學懷廷工程學院電氣和電腦工程副教授，也是該大學拉爾夫·奧康納可持續發展中心的副主任。

「Kevin 借助他的[機器學習]演算法，現在可以告訴您有關設備的所有信息，而不是在許多設備上費力地進行多次測量來了解您需要了解的設備行為。裝置其屬性只需大約 30 秒即可完成一次測量。李的系統的另一個新穎特徵是它從太陽能電池獲取數據的空間圖並將其轉換為圖像。

「通常，創建新太陽能電池後最常見的測量結果之一稱為 JV 曲線，它的作用是測量電池對光的反應，」Lee 說。

「我們的想法是將這些合資曲線圖轉換為圖像，這樣我們就可以利用先進的技術

機器學習為不在其中的應用程式開發的模型材料科學，但在電腦視覺中，學習太陽能電池行為的模式。新方法的另一個好處是它適用於太陽能電池以外的各種材料和設備，有可能加快從材料發現到市場採用的時間。

「理論上，我們開發的系統可用於測量其他設備，例如電晶體和光感測器，」李說。

“節省的時間和該系統的準確性可能會導致更快地創建各種新技術，我很高興看到這一點發生。”

更多資訊：Hoon Jeong Lee 等人，使用根據實驗數據訓練的神經網路預測 PbS 膠體量子點太陽能電池參數，先進的智慧系統（2024）。DOI：10.1002/aisy.202400310