[論文レビュー] Embedding Physics Domain Knowledge into a Bayesian Network Enables Layer-by-Layer Process Innovation for Photovoltaics

Zekun Ren, Felipe Oviedo+16 more|arXiv (Cornell University)|Jul 25, 2019

solar cell performance optimization参考文献 46被引用数 4

ひとこと要約

本論文では、ドメイン知識を統合した物理情報型ベイジアンネットワークを提案し、深層自己符号化器ベースのサーフェスモデルを用いて、GaAs太陽電池のプロセスを段階別に最適化することを可能にする。プロセスパラメータと材料特性およびデバイス性能を結びつけることで、最小限の実験反復でベースラインおよびブラックボックス手法よりも6.5%の相対効率向上を達成し、層レベルでの性能制限要因の透明で因果的な診断を実証した。

ABSTRACT

Process optimization of photovoltaic devices is a time-intensive, trial and error endeavor, without full transparency of the underlying physics, and with user-imposed constraints that may or may not lead to a global optimum. Herein, we demonstrate that embedding physics domain knowledge into a Bayesian network enables an optimization approach that identifies the root cause(s) of underperformance with layer by-layer resolution and reveals alternative optimal process windows beyond global black-box optimization. Our Bayesian-network approach links process conditions to materials descriptors (bulk and interface properties, e.g., bulk lifetime, doping, and surface recombination) and device performance parameters (e.g., cell efficiency), using a Bayesian inference framework with an autoencoder-based surrogate device-physics model that is 100x faster than numerical solvers. With the trained surrogate model, our approach is robust and reduces significantly the time consuming experimentalist intervention, even with small numbers of fabricated samples. To demonstrate our method, we perform layer-by-layer optimization of GaAs solar cells. In a single cycle of learning, we find an improved growth temperature for the GaAs solar cells without any secondary measurements, and demonstrate a 6.5% relative AM1.5G efficiency improvement above baseline and traditional black-box optimization methods.

研究の動機と目的

• 試行錯誤やブラックボックス最適化による太陽電池プロセス開発の限界を克服すること。これらは透明性やグローバル最適性に欠けることがしばしばである。
• バルク寿命、ドーピング、表面再結合といった物理的ドメイン知識を確率的枠組みに統合し、因果的推論を可能にすること。
• 迅速なサーフェスモデルを用いて、少数の製造サンプルで正確な性能予測が可能となることで、実験的負担を軽減すること。
• 個々のプロセス工程の影響を分離することで、性能劣化の根本原因を同定し、代替の最適プロセス窓口を明らかにすることにより、段階別プロセスイノベーションを達成すること。

提案手法

• プロセス条件、材料記述子（例：バルク寿命、ドーピング、表面再結合）およびデバイス性能（例：セル効率）の間の因果的関係をモデル化するためのベイジアンネットワークを構築する。
• 従来の数値ソルバーよりも100倍以上速くデバイス性能を予測できる自己符号化器ベースのサーフェスデバイス物理学モデルを訓練する。
• 物理的に妥当な推論を保証するため、ベイジアンネットワークの構造および条件付き確率分布に物理的ドメイン知識を埋め込む。
• 限られた実験データに基づいてプロセスパラメータに関する信念を更新するためのベイジアン推論を用い、小規模データセットでも効率的な学習を可能にする。
• 個々のプロセス工程が全体のデバイス性能に与える影響を分離することで、層単位の診断を可能にする。
• 単一サイクルの最適化を通じてフレームワークを検証し、二次的測定を要せず、改善された成長温度を同定した。

実験結果

リサーチクエスチョン

• RQ1 物理的ドメイン知識をベイジアンネットワークに効果的に統合することで、太陽電池プロセス最適化における解釈可能性と精度が向上するか？
• RQ2 高速なサーフェスモデルの統合が、デバイスプロセス開発におけるベイジアン推論の効率をどのように向上させるか？
• RQ3 段階別診断は、マルチレイヤー太陽電池における性能劣化の根本原因をどの程度特定できるか？
• RQ4 本手法は、効率向上および実験的効率の観点で、従来のブラックボックス最適化を上回るか？
• RQ5 本フレームワークは、標準的な最適化手法が同定しない代替の最適プロセス窓口を発見できるか？

主な発見

• 本手法は、ベースラインおよび従来のブラックボックス最適化手法と比較して、AM1.5G換算効率に6.5%の相対的向上を達成した。
• 追加の実験的測定を要せず、GaAs太陽電池の改善された成長温度を同定することができた。
• サーフェスモデルにより、数値ソルバーよりも予測時間を100倍短縮し、最小限の実験入力で迅速な反復が可能になった。
• ベイジアンネットワークにより、層レベルでの性能制限要因について透明で因果的なインサイトが得られ、性能劣化の原因となった特定のプロセス条件が明らかになった。
• 本手法は、わずかな数の製造サンプルで顕著な最適化効果を示し、高いサンプル効率とロバストネスを示した。
• 本手法は、グローバルブラックボックス最適化が同定しなかった代替の最適プロセス窓口を発見し、局所最適解からの脱出能力を示した。