贝叶斯数学与人工智能相结合 可使太阳能更智能

随着对可再生能源的需求激增，材料研究人员正在寻找制造更高效太阳能电池的方法。如今商业生产的标准晶体太阳能光伏（PV，photovoltaic）电池通常可以拥有18%至22%的效率范围。然而，一些研究人员已将注意力转向更高效的硅异质结（SHJ，silicon heterojunction）太阳能电池，其效率在实验室中已达到26.8%。SHJ的数量也可能进一步增加。

SHJ电池的有效性取决于其钝化层的质量。钝化层是SHJ电池表面上的一层薄涂层。顾名思义，钝化层降低了带电粒子再次结合的速率。因此，良好的钝化层使载流子能够提高电池的电流和电压。而且，正如实验所示，找到改善钝化层的方法也可以提高太阳能电池的效率。

然而，日本高级科学技术研究所（JAIST）材料科学教授Keisuke Ohdaira表示，如今沉积钝化层的标准方法之一——等离子体增强化学气相沉积——也会损坏衬底本身。因此，Ohdaira和同事们一直在试验一种称为催化化学气相沉积的替代工艺。

使用Cat CVD，气体分子通过催化裂化反应分解，从而增强太阳能电池的沉积，同时不会对基板造成伤害。不幸的是，发现Cat CVD的理想条件可能非常具有挑战性。许多可调节的参数使工艺复杂化，包括对衬底温度、气体流速和沉积时间的调整。由此，SHJ太阳能电池的制造过程可能陷入不必要地困境。

托马斯·贝叶斯“挺身而出”

为了应对这一挑战，研究人员与日本最大的国家研究机构RIKEN的人工智能和机器学习应用研究员Kentaro Kutsukake合作，提出了一种新的Cat CVD方法。他们的方案基于一种称为贝叶斯优化的数学方法，该方法使用概率模型来更有效地发现一组理想参数。

Kutsukake提到贝叶斯优化（以18世纪英国统计学家托马斯·贝叶斯命名，他的工作今天经常用于估计系统的可靠性和可能的故障点，遵循一个顺序过程。Kutsukake说：“我们首先将沉积条件的初始数据及其结果提供给贝叶斯算法。然后，该算法预测尚未评估的沉积条件的输出，并为下一个沉积条件周期提供候选。我们一遍又一遍地重复这个序列，将结果反馈到算法中，直到我们最终获得沉积的最佳值。”

JAPAN ADVANCED INSTITUTE OF SCIENCE AND TECHNOLOGY

但Ohdaira说，盲目地将贝叶斯统计应用于Cat CVD并不是解决方案。该过程本身可能会产生不可行的参数的拟议实验组合。例如，考虑到真空泵的低排气能力，它可能表明气体流速和真空室压力是不可行的。

为了解决这些问题，研究人员实现了一种称为约束贝叶斯优化的实用优化方法，该方法使用了三个预测模型。因此，例如，一个模型可能会优化载流子寿命，而另一个模型则可能会优化输入气体流速，而另另一个可能会过滤掉不可行的沉积场景。

然后，研究人员将所有三个模型的预测汇总到一个优化系统中。研究人员向该系统提供了14个沉积条件样本，并通过实验测量了薄膜性能。

Ohdaira说：“我们仅在8个优化周期后就实现了高载流子寿命。我们在20个周期后完成了微调优化。” 虽然这项实验的最终结果并不是SHJ太阳能电池效率的惊人突破，但研究结果表明，贝叶斯数学与人工智能相结合，为开发性能更高、寿命更长的太阳能光伏提供了一条新的道路。

该团队的研究结果上个月发表在ACS Applied Materials and Interfaces杂志上。

Ohdaira补充道，公平地说，其他研究团队也使用智能算法来提高太阳能电池的效率。例如，2021年，MIT和Google Brain推出了一种可微分太阳能电池模拟器，其结果与JAIST方法相似。但是，Kutsukake说，Cat CVD的约束贝叶斯方法是从实际实验中得出的，而不是计算机模型。

Ohdaira说，下一步的研究方向包括使用贝叶斯方法构建SHJ硅太阳能电池。尽管如此，他补充道，“这种方法也有可能应用于需要复杂材料工艺的几个领域，包括半导体制造中的薄膜沉积。”