钙钛矿太阳能电池人工智能：更好制造的关键

串联太阳能电池安装在钙钛矿半导体上，比传统的硅太阳能电池更有效地将阳光转换为电能为了使这项技术适应市场，需要在稳定性和制造工艺方面进一步改进卡尔斯鲁厄理工学院（KIT）和两个亥姆霍兹平台的研究人员——德国癌症研究中心（DKFZ）的亥姆霍兹成像和亥姆霍茨人工智能——已经成功地找到了一种方法来预测钙钛矿层的质量，并因此获得了多极化细胞的质量：借助机器学习和人工智能的新方法，它有助于从制造过程中的发光和发光变化中获得质量

钙钛矿串联太阳能电池将钙钛矿太阳能电池与传统的太阳能电池相结合，例如基于硅的电池这些电池都是经过经济考虑的下一代技术：电池的电流效率约为33%，远高于传统的硅电池此外，它们使用廉价的材料，而且易于制造为了达到这一效率水平，必须生产出一种极为薄的高级的、道德水平仅为人类头发的一小部分的软组织“在没有任何缺陷或孔的情况下，以低成本和低问题的方法制造这种高品位、多晶体的内层是最大的挑战之一，”stenure track教授UlrichW说Paetzold在KIT的微结构技术和光技术研究所进行了研究即使在明显理想的实验室条件下，也可能有未知的因素导致导电层质量的变化：“这一撤回最终防止了这些高效极化细胞的工业规模生产的启动，而这些细胞是为了扭转局面而需要的，”Pietzold解释道

AI发现有效涂层的HiddenSignsof

为了找到影响涂层的因素，一个由KITha的高级和高级专家组成的跨学科团队与海德堡DKFZ的亥姆霍兹成像和亥姆霍茨AI的机器学习和可解释人工智能（XAI）专业人员组成研究人员开发了一种人工智能方法，该方法可以利用巨大的数据集对神经网络进行分析该数据集包括视频记录，显示了在生产过程中薄钙钛矿层的光照强度光致发光器用于治疗由外部光源激发的导电层的光缺失DKFZ亥姆霍兹成像公司的LukasKleinan和Sebastian Ziegler解释道：“由于这些专家看不到任何东西，所以他们天生就要训练一个用于机器学习（DeepLearning）的人工智能系统，以检测视频中数百万台设备的良好或良好涂层密度。”

为了过滤和分析DeepLearningAI系统输出的所有散射指示，可以观察到相应的可解释人工智能方法

“后续研究的蓝图”

研究人员通过实验发现，在生产过程中，光亮度会发生变化，并且这种现象不会影响涂层质量Klein和Zieglersay说：“我们工作的关键是使用XAI方法，看看哪些因素会改变，以获得高级别的单细胞。”这不是明智的做法在大多数情况下，在构建AI模型时，XAI仅被用作一种护栏，以避免出现错误“这是一种范式的变化：以一种系统的方式获得对材料科学的高度重视是一种全面的经验。”这是从光致发光变化中得出的结论，使研究人员能够迈出下一步在对神经网络进行相应的训练后，AI可以预测每个神经元是否会实现低或高水平的效率，在这个基础上，飞行发射的变化发生在实际过程的哪个点上UlrichW强调：“这些结果非常令人兴奋。”帕泽尔德“感谢AI的综合使用，我们已经清楚地知道了哪些参数需要在第一时间进行更改以提高产量。现在我们可以进行更多针对女性的实验，也可以强迫她们长时间蒙上眼睛以备不时之需。这是后续研究的蓝图，也适用于许多能量、搜索和材料科学的检查。”