工程師巧解太陽能電池測試難題，加速又省錢

測試新型太陽能電池技術的過程傳統上一直緩慢且成本高昂，需要多個步驟。在一位讀博五年級的學生帶領下，約翰霍普金斯大學的一個團隊開發了一種機器學習方法，有望大幅加快這一進程，爲更高效、更實惠的可再生能源解決方案鋪平道路。

“我們的工作表明，機器學習可以簡化太陽能電池的測試過程，”團隊負責人凱文·李（Kevin Lee）表示，他與電氣和計算機工程專業的研究生阿琳·邱（Arlene Chiu）、林依達（Yida Lin）、斯里亞斯·欽塔帕利（Sreyas Chintapalli）、塞琳·卡邁勒（Serene Kamal）以及本科生埃裡克·吉（Eric Ji）共同參與了這個項目。“這不但節省了時間和資源，還爲清潔能源技術的發展開闢了新的可能。”

該團隊的研究成果發表於先進智能系統。

新型太陽能材料和設備實現商業化的一大主要障礙在於漫長的製造-測試-迭代週期。爲市場優化一種新型太陽能電池材料是一個艱鉅的過程。製造出一個設備後，需要進行多次耗時的測量來了解其材料特性。然後利用這些數據來調整製造過程，重複這個循環。

這種新方法通過在一次測量中提取所有材料的重要特徵，大幅縮短了所需時間。

與其他基於計算機模擬數據訓練出來的方法不同——這類方法常常會得出不準確的結果——霍普金斯團隊所採用的方法運用的是真實世界的數據。

他們的神經網絡從一個太陽能電池中收集數千個數據點，捕捉由諸如旋塗條紋、裂縫和污染物等缺陷所引起的複雜特性和變化，而且無需製造數千個太陽能電池。

“凱文的方法有可能加快光伏發展的進程，”李的顧問兼研究合著者蘇珊娜·索恩（Susanna Thon）說道，她是約翰·霍普金斯大學懷廷工程學院電氣和計算機工程的副教授，同時也是該校拉爾夫·奧康納可持續能源研究所的副所長。

“凱文憑藉他的[機器學習]算法，如今不必在衆多設備上費勁地進行多次測量來知曉您想了解的設備行爲，僅通過一次約 30 秒的測量，就能把有關設備及其特性的您想知道的一切都告訴您。”

“李的系統還有一個新穎之處在於，它能獲取太陽能電池的數據空間圖，並且將其轉化爲圖像。”

“通常來講，在造出新的太陽能電池後，您所獲得的最常見的測量之一被稱作 JV 曲線，它的作用在於測量電池對光的反應，”李說道。

“我們產生了把這些 JV 曲線圖轉化爲圖像的念頭，如此一來，我們便能借助並非爲材料科學，而是爲計算機視覺應用所開發的先進機器學習模型，去洞悉太陽能電池行爲裡的模式。”

“新方法的另一個優點在於，它能夠應用於太陽能電池之外的各類材料和設備，或許能加快從材料發現到投入市場的進程。”

“從理論上講，我們研發的系統能夠用於測量其他設備，像晶體管和光傳感器，”李說道。“節省下來的時間以及這個系統的精準性或許會促使各種各樣的新技術更快地被創造出來，我很期待看到這種情況。”