MIT开发新人工智能系统能帮助扩大先进太阳能电池的生产规模

发表于 2年以前 | 总阅读数：871 次

钙钛矿是一个材料系列，目前是取代当今广泛使用的硅基太阳能光伏的主要竞争者。它们有希望被用于制造更轻更薄的电池板，可以在室温下以超高产量制造，而不是在几百度的高温下，而且运输和安装都更容易和更便宜。但是，将这些材料从小型实验室实验转化为可以有竞争力地制造的产品，一直是一场旷日持久的斗争。

生产基于钙钛矿的太阳能电池需要同时优化至少十几个变量，即使是在众多可能性中的一个特定的制造方法中。然而，一个基于机器学习新方法的新系统可以加快优化生产方法的发展，并帮助下一代太阳能发电成为现实。

该系统由麻省理工学院和斯坦福大学的研究人员在过去几年中开发，使其有可能将先前的实验数据以及基于有经验的工人的个人观察的信息整合到机器学习过程中。这使得结果更加准确，并且已经促成了能量转换效率为18.5%的钙钛矿电池的制造，这对于今天的市场来说是一个有竞争力的水平。

这项研究最近发表在《焦耳》杂志上，论文作者是麻省理工学院机械工程教授Tonio Buonassisi、斯坦福大学材料科学和工程教授 Reinhold Dauskardt、麻省理工学院最近的研究助理刘哲、斯坦福大学博士毕业生 Nicholas Rolston和其他三人。

钙钛矿是一组层状结晶化合物，由其晶格中的原子构型决定。有数以千计的这种可能的化合物和许多不同的制造方法。虽然大多数实验室规模的钙钛矿材料的开发使用旋涂技术，但这对于更大规模的制造来说并不实用，因此世界各地的公司和实验室一直在寻找将这些实验室材料转化为实用、可制造产品的方法。

AI-Optimized-Production-of-Perovskite-Solar-Cells-768x512.webp

现在是亚利桑那州立大学副教授的Rolston说：“当你试图采用实验室规模的工艺，然后将其转移到像初创企业或制造生产线上时，总是有一个很大的挑战。”该团队研究了一个他们认为最有潜力的工艺，一种叫做快速喷射等离子体加工的方法，或称RSPP。

该制造工艺将涉及一个移动的卷对卷表面，或一系列板材，当板材滚动时，过氧化物化合物的前体溶液将被喷涂或喷墨在上面。然后材料将进入固化阶段，提供快速和连续的输出，“其产量高于任何其他光伏技术，”Rolston说。

他补充说：“这个平台的真正突破是，它将使我们能够以一种其他材料无法做到的方式进行扩展。即使像硅这样的材料也需要更长的时间框架，因为要进行加工。而你可以认为（这种方法更）像喷漆。”

在这个过程中，至少有十几个变量可能会影响结果，其中一些变量比其他变量更容易控制。这些变量包括起始材料的成分、温度、湿度、加工路径的速度、用于将材料喷到基材上的喷嘴的距离，以及固化材料的方法。这些因素中的许多因素可以相互影响，如果加工过程是在露天，那么湿度，例如，可能是无法控制的。通过实验评估这些变量的所有可能组合是不可能的，所以需要机器学习来帮助指导实验过程。

但是，虽然大多数机器学习系统使用的是原始数据，如对测试样品的电气和其他属性的测量，但它们通常不会纳入人类的经验，如实验者对测试样品的视觉和其他属性的定性观察，或其他研究人员报告的其他实验的信息。因此，该团队找到了一种方法，将这种外部信息纳入机器学习模型，使用基于一种叫做贝叶斯优化的数学技术的概率系数。

他说，使用该系统，“有了一个来自实验数据的模型，我们可以找出以前无法看到的趋势”。例如，他们最初在调整环境中的湿度不受控制的变化时遇到了困难。但该模型向他们表明，“例如，我们可以通过改变温度和改变其他一些旋钮来克服我们的湿度挑战”。

该系统现在允许实验者更迅速地指导他们的过程，以便针对一组特定的条件或所需的结果进行优化。在他们的实验中，该团队专注于优化功率输出，但该系统也可用于同时纳入其他标准，如成本和耐久性。Buonassisi说，该团队的成员正在继续努力。

赞助这项工作的美国能源部鼓励科学家们将这项技术商业化，他们目前正专注于向现有的钙钛矿制造商进行技术转让。Buonassisi说：“我们现在正在与公司接触，而且他们开发的代码已经通过一个开源服务器免费提供。它现在在GitHub上，任何人都可以下载它，任何人都可以运行它。我们很高兴帮助公司开始使用我们的代码。”

刘哲说，已经有几家公司正在准备生产基于钙钛矿的太阳能电池板，尽管他们仍在研究如何生产它们的细节。他说，那里的公司还没有进行大规模的生产，而是从较小的、高价值的应用开始，如建筑一体化的太阳能瓦片，其中外观很重要。他说，其中三家公司“正在按计划或在投资者的推动下，在两年内生产1米乘2米的矩形模块（与今天最常见的太阳能板相当）”。

“问题是，他们没有就使用何种制造技术达成共识，”刘哲说。他说，斯坦福大学开发的RSPP方法 “仍有很大机会”具有竞争力。而且该团队开发的机器学习系统可以证明在指导最终使用的任何工艺的优化方面非常重要。

他说：“主要目标是加快进程，因此需要更少的时间、更少的实验和更少的人力时间来开发一些可立即使用的东西，免费提供给工业界。”

多伦多大学大学教授Ted Sargent说：“关于机器学习驱动的钙钛矿光伏制造的现有工作主要集中在旋涂上，这是一种实验室规模的技术，”他并未参与这项工作。他说这项工作展示了“一种很容易适应主导薄膜行业的沉积技术的工作流程。只有少数几个小组同时拥有工程和计算方面的专业知识来推动这样的进展”。Sargen补充说，这种方法“对更广泛的材料家族的制造来说可能是一个令人兴奋的进步”，包括LED、其他光伏技术和石墨烯，“总之，任何使用某种形式的蒸气或真空沉积的行业。”