研究人员利用机器学习优化钙钛矿串联太阳能电池设计 将效率提高30.4%

盖世汽车讯 作为地球上最丰富的能源资源，太阳能是向清洁能源转型过程中富有前景的替代方案。然而，目前的商用太阳能电池将光转化为可用能源的效率仅为20%。串联太阳能电池将多个太阳能电池堆叠在一起，可能更有效率，其中每个电池层对不同波长的光敏感，从而能够收集可能会丢失的能量。通常情况下，串联太阳能电池的顶层允许某些光能带穿过并被底层吸收。研究发现，利用钙钛矿材料来制造顶层可以大幅提高太阳能电池的效率（远超过目前20%的阈值）。

（图片来源：APL Machine Learning）

新加坡科技设计大学（SUTD）的Xue Hansong博士表示，钙钛矿太阳能电池“可以定制为具有出色的光电性能，包括高吸收系数、高缺陷容忍度和可调带隙。”然而，设计和制造这些电池具有挑战性，最大限度地提高效率通常以增加材料成本为代价。

为了设计出兼顾效率和成本效益的钙钛矿太阳能电池，研究人员使用了帕累托前沿优化方法（Pareto front optimization method），即根据效率和成本两个参数之间的权衡来确定最佳解决方案。然而，由于计算的复杂性，这种方法可能非常耗时。

据外媒报道，为了解决这个问题，Xue博士与新加坡国立大学（National University of Singapore）和多伦多大学（University of Toronto）的研究人员合作，将机器学习纳入帕累托前沿优化方法。具体来说，该团队转向神经网络学习，其研究发表在期刊《APL Machine Learning》上。

该团队首先使用光电模型（opto-electronic-electric model）生成了一组数据，以计算具有不同配置的四端（4T）钙钛矿铜铟硒串联太阳能电池的效率。然后，研究人员利用这些数据来训练神经网络，以便快速模拟和预测各种4T串联太阳能电池在不同参数下的效率。

使用神经网络来预测效率，可以大大减少执行帕累托前沿优化所需的时间。Xue博士表示：“神经网络只用了11个小时就预测出3500个不同设备的效率，而使用原始的光电模型进行相同的模拟，大约需要六个月的时间。”

由于节省了时间，该团队可以快速分析不同的模拟，并确定4T串联太阳能电池的最佳配置，从而以最小的成本实现效率最大化。事实上，通过神经网络预测的最佳配置显示，相关效率提高了30.4%，同时材料成本降低50%。将这种设计与现有实验设计进行比较，也为研究人员提供了新的见解。Xue博士表示：“最佳电池预测显示出更薄的前接触电极、载流子传输层和后接触电极。据称载流子传输可能是优化钙钛矿串联电池的关键因素，因此这一发现的影响不容低估。”

Xue博士认为，这种新型神经网络模型取得成功，仅仅是提高太阳能电池效率的开始。借助设计、人工智能和技术，太阳能电池的制造过程可以更高效、更经济、更通用，从而为可再生能源解决方案的发展做出重大贡献。

该团队还希望通过整合不同的材料数据来构建神经网络，其中包括使用各种材料作为载流子传输层，以及具有不同特性的钙钛矿化合物。研究人员还计划，将这种方法扩展到更广泛的串联器件架构，例如全钙钛矿、有机钙钛矿（perovskite-on-organic）和硅上钙钛矿（perovskite-on-silicon）串联太阳能电池。