[論文レビュー] A Digital Twin to overcome long-time challenges in Photovoltaics

Larry Lüer, Ian Marius Peters+10 more|arXiv (Cornell University)|May 12, 2023

Machine Learning in Materials ScienceMaterials Science被引用数 3

ひとこと要約

本論文は、機械学習、物理ベースのモデル、およびハイ・スループット実験を統合したデジタルツインフレームワークを、太陽電池材料に提案する。このフレームワークは、分子構造とデバイス性能との間の長年の課題を克服し、データ駆動型の構造予測を用いた逆構造設計を可能にすることで、性能、耐久性、リサイクル可能性を同時に満たす材料の発見を加速する。

ABSTRACT

The recent successes of emerging photovoltaics (PV) such as organic and perovskite solar cells are largely driven by innovations in material science. However, closing the gap to commercialization still requires significant innovation to match contradicting requirements such as performance, longevity and recyclability. The rate of innovation, as of today, is limited by a lack of design principles linking chemical motifs to functional microscopic structures, and by an incapacity to experimentally access microscopic structures from investigating macroscopic device properties. In this work, we envision a layout of a Digital Twin for PV materials aimed at removing both limitations. The layout combines machine learning approaches, as performed in materials acceleration platforms (MAPs), with mathematical models derived from the underlying physics and digital twin concepts from the engineering world. This layout will allow using high-throughput (HT) experimentation in MAPs to improve the parametrization of quantum chemical and solid-state models. In turn, the improved and generalized models can be used to obtain the crucial structural parameters from HT data. HT experimentation will thus yield a detailed understanding of generally valid structure-property relationships, enabling inverse molecular design, that is, predicting the optimal chemical structure and process conditions to build PV devices satisfying a multitude of requirements at the same time. After motivating our proposed layout of the digital twin with causal relationships in material science, we discuss the current state of the enabling technologies, already being able to yield insight from HT data today. We identify open challenges with respect to the multiscale nature of PV materials and the needed volume and diversity of data, and mention promising approaches to address these challenges.

研究の動機と目的

• ペロブスカイトや有機太陽電池を含む新規太陽電池分野における材料革新と商業化の間の継続的なギャップを解消すること。
• PV材料における化学的モチーフと機能的微視的構造との間の設計原則の欠如を克服すること。
• マクロなデバイス特性から微視的構造を実験的に推定することを可能にし、材料開発における主要なブottleneckであることを解消すること。
• 材料加速プラットフォーム（MAPs）、デジタルツインの概念、およびマルチスケールモデリングを統合した包括的なフレームワークを確立すること。
• 次世代PVデバイスにおける性能、耐久性、リサイクル可能性の同時最適化を促進すること。

提案手法

• ハイ・スループット（HT）実験データで訓練された機械学習モデルを用い、量子化学的および固体状態モデルのパrameter化を行う。
• 物理的導出の数学的モデルを用いて、複数スケールでの電荷輸送、欠陥形成、劣化機構を記述する。
• HTによるPV材料の特性評価からの実験フィードバックを繰り返し用いて、モデルを段階的に最適化するデジタルツインアーキテクチャを実装する。
• デジタルツインを活用して、デバイスレベルの性能データを逆に解釈し、最適な分子構造および処理条件を予測する。
• マルチスケールモデリングとデータ駆動型学習を統合し、多様な材料系にわたる構造-性質関係を一般化する。
• 因果モデルを用いて、中間的な構造的およびエネルギー的パrameterを経由して、化学的構造からマクロなデバイス挙動への関係を追跡する。

実験結果

リサーチクエスチョン

• RQ1 デジタルツインフレームワークは、分子構造とマクロな太陽電池性能との間のギャップをどのように埋め合わせるか？
• RQ2 ハイ・スループット実験データセットは、PV材料における物理ベースモデルおよび機械学習モデルのキャリブレーションと検証にどのような役割を果たすか？
• RQ3 デバイスレベルの性能指標から最適な化学的構造を推定することで、逆構造設計を達成できるか？
• RQ4 電子的、原子的、および形態的スケールをカバーするPV材料のマルチスケール性は、どのように効果的にモデリングされ統合されるか？
• RQ5 予測的材料発見のための強固で一般化可能なモデルを訓練するには、どの程度のデータの多様性と量が必要か？

主な発見

• 提案されたデジタルツインフレームワークは、統合的モデリングとデータ駆動型学習を通じて、マクロなデバイス特性から微視的構造パrameterを推定可能である。
• ハイ・スループット実験は、量子化学的および固体状態モデルの正確な予測を実現するための必要なデータ量と多様性を提供する。
• 機械学習と物理ベースモデルの統合により、異なるPV材料系にわたる構造-性質関係の一般化が可能になる。
• フレームワークは、性能、安定性、リサイクル性の複数基準を同時に満たす最適な化学的構造および処理条件を予測することで、逆構造設計を支援する。
• 現在の技術的基盤により、ハイ・スループットデータからのインサイト抽出は可能であるが、データ品質、スケール、マルチスケールモデルの一貫性の面で課題が残っている。
• 本アプローチは、次世代太陽電池の商業化を加速するための変革的ルートとして位置づけられる。