هوش مصنوعی برای تولید سلول خورشیدی

کاربرد موفقیت‌آمیز هوش مصنوعی در تولید سلول‌ خورشیدی نه تنها کارایی سلول‌های خورشیدی پروسکایت را بهبود می‌بخشد، بلکه به عنوان طرحی برای تحقیقات آینده در علم انرژی و مواد عمل می‌کند.

محققان موسسه فناوری کارلسروهر (KIT) و دو سکوی هلمهولتز - تصویربرداری هلمهولتز در مرکز تحقیقات سرطان آلمان (DKFZ) و هلمهولتز AI - موفق به یافتن راهی برای پیش‌بینی کیفیت لایه‌های پروسکایت و در نتیجه کیفیت خورشید حاصل شده‌اند.

سلول ها در صورت کمک یادگیری ماشینی، روش‌های جدید در هوش مصنوعی (AI)، ارزیابی کیفیت آنها را از تغییرات انتشار نور در طول فرآیند تولید ممکن می‌سازد.

گزارش مربوط به این کار در Advanced Materials منتشر شده است.

سلول های خورشیدی پشت سر هم مبتنی بر نیمه هادی های پروسکایتی نور خورشید را به طور موثرتری نسبت به سلول های خورشیدی سیلیکونی معمولی به الکتریسیته تبدیل می کنند و به منظور آماده سازی این فناوری برای بازار، بهبودهای بیشتری از نظر ثبات و فرآیندهای تولید مورد نیاز است.

به عنوان مثال سلول های خورشیدی پشت سر هم پروسکایت، یک سلول خورشیدی پروسکایت را با یک سلول خورشیدی معمولی مبتنی بر سیلیکون ترکیب می کنند.

این سلول‌ها یک فناوری نسل بعدی در نظر گرفته می‌شوند: راندمان آن‌ها در حال حاضر به بیش از 33 درصد می‌رسد، که بسیار بالاتر از سلول‌های خورشیدی سیلیکونی معمولی است، علاوه بر این، آنها از مواد اولیه ارزان قیمت استفاده می کنند و به راحتی تولید می شوند.

برای دستیابی به این سطح از کارایی، یک لایه پروسکایت بسیار نازک با عیار بالا، که ضخامت آن تنها کسری از موی انسان است، باید تولید شود.

پروفسور اولریش دبلیو پتزولد که در مؤسسه فناوری ریزساختار و مؤسسه فناوری نور KIT تحقیقاتی را انجام می دهد، گفت: ساخت این لایه های نازک با درجه بالا و چند بلوری بدون هیچ نقص یا سوراخی با استفاده از روش های کم هزینه و مقیاس پذیر. (یکی از بزرگترین چالش ها است)

حتی در شرایط ظاهراً عالی آزمایشگاهی، ممکن است عوامل ناشناخته ای وجود داشته باشد که باعث تغییرات در کیفیت لایه نیمه هادی شود: این ایراد در نهایت مانع از شروع سریع تولید در مقیاس صنعتی این سلول های خورشیدی بسیار کارآمد می شود، که به شدت برای چرخش انرژی مورد نیاز هستند.

هوش مصنوعی نشانه های پنهان پوشش موثر را پیدا می کند

 برای یافتن عوامل موثر بر پوشش، یک تیم بین رشته‌ای متشکل از متخصصان سلول‌های خورشیدی پروسکایت KIT با متخصصان یادگیری ماشین و هوش مصنوعی قابل توضیح (XAI) تصویربرداری هلمهولتز و هوش مصنوعی هلمهولتز در DKFZ در هایدلبرگ متحد شده‌اند.

محققان روش‌های هوش مصنوعی را توسعه دادند که شبکه‌های عصبی را با استفاده از یک مجموعه داده عظیم آموزش و تجزیه و تحلیل می‌کند، این مجموعه داده شامل ویدئوهای ضبط شده است که نورتابی لایه های نازک پروسکایت را در طول فرآیند تولید نشان می دهد.

فوتولومینسانس به گسیل تابشی لایه های نیمه هادی اشاره دارد که توسط یک منبع نور خارجی برانگیخته شده اند.

لوکاس کلاین و سباستین زیگلر از Helmholtz Imaging در DKFZ توضیح دادند: از آنجایی که حتی کارشناسان نمی‌توانستند چیز خاصی را روی لایه‌های نازک ببینند، ایده آموزش یک سیستم هوش مصنوعی برای یادگیری ماشینی (یادگیری عمیق) برای تشخیص نشانه‌های پنهان خوب یا پوشش ضعیف از میلیون‌ها مورد داده روی ویدیوها.

برای فیلتر کردن و تجزیه و تحلیل نشانه های پراکنده به طور گسترده خروجی توسط سیستم هوش مصنوعی یادگیری عمیق، محققان متعاقباً بر روش های هوش مصنوعی قابل توضیح تکیه کردند.

طرحی برای تحقیقات بعدی

محققان به طور تجربی دریافتند که نور نوری در طول تولید متفاوت است و این پدیده بر کیفیت پوشش تأثیر دارد.

کلاین و زیگلر می‌گویند: کلید کار ما استفاده هدفمند از روش‌های XAI بود تا ببینیم چه عواملی باید تغییر کنند تا یک سلول خورشیدی با درجه بالا به دست آید، این رویکرد معمولی نیست و در بیشتر موارد، XAI تنها به عنوان نوعی نرده محافظ برای جلوگیری از اشتباه در ساخت مدل‌های هوش مصنوعی استفاده می‌شود.

این یک تغییر پارادایم است: به دست آوردن بینش بسیار مرتبط در علم مواد به روشی سیستماتیک یک تجربه کاملاً جدید است.

در واقع این نتیجه گیری از تغییرات فوتولومینسانس بود که محققان را قادر به برداشتن گام بعدی کرد، پس از آموزش شبکه‌های عصبی بر این اساس، هوش مصنوعی قادر بود پیش‌بینی کند که آیا هر سلول خورشیدی به سطح بازدهی پایین یا بالا بر اساس تغییر انتشار نور در چه مرحله‌ای از فرآیند تولید، دست خواهد یافت.

اولریش دبلیو پتزولد تاکید کرد: «اینها نتایج بسیار هیجان انگیزی هستند و به لطف استفاده ترکیبی از هوش مصنوعی، ما سرنخ محکمی داریم و می دانیم که کدام پارامترها در وهله اول برای بهبود تولید باید تغییر کنند.

اکنون می‌توانیم آزمایش‌های خود را به شیوه‌ای هدفمندتر انجام دهیم و دیگر مجبور نیستیم با چشمان بسته به دنبال سوزن در انبار کاه باشیم.

این طرحی برای تحقیقات بعدی است که در بسیاری از جنبه های دیگر تحقیقات انرژی و علم مواد نیز کاربرد دارد.

در حالی که این تحقیق در زمینه انرژی خورشیدی بود، می توان مطمئن بود که سایر زمینه های تولیدی به دنبال چگونگی استفاده از هوش مصنوعی برای بهبود تولید، فرآیندها، کیفیت، رقابت پذیری و سودآوری خواهند بود.

این حوزه‌های مهندسی اجتماعی است که افراد متفکر را به شدت در مورد اینکه هوش مصنوعی قرار است به کجا برود مشکوک است و در حال حاضر درخواست هایی برای تنظیم توسط بوروکرات ها وجود دارد که برخی فکر می کنند در زمینه ای متخصص هستند که هنوز هیچ متخصص با تجربه واقعی وجود ندارد.

مالکیت معنوی مجله انرژی (energymag.ir) علامت تجاری ناشر است... سایر علائم تجاری مورد استفاده در این مقاله متعلق به دارندگان علامت تجاری مربوطه می باشد، ناشر وابسته یا مرتبط با دارندگان علامت تجاری نیست و توسط دارندگان علامت تجاری حمایت، تایید یا ایجاد نشده است، مگر اینکه خلاف آن ذکر شده باشد و هیچ ادعایی از سوی ناشر نسبت به حقوق مربوط به علائم تجاری شخص ثالث وجود ندارد.