[論文レビュー] Machine learning for accelerating the discovery of high performance low-cost solar cells: a systematic review

Satyam Bhatti, Habib Ullah Manzoor+6 more|arXiv (Cornell University)|Dec 26, 2022

Machine Learning in Materials Science被引用数 9

ひとこと要約

本システマティックレビューでは、小型電子デバイス向けに高効率で低コストの太陽電池を迅速に発見するための機械学習（ML）手法を評価している。特に、ガウス過程回帰（GPR）とベイズ最適化（BO）を組み合わせた手法が、データ駆動型の予測と最適化により、試行錯誤に依存する実験の削減を顕著に実現する、最も効果的なアプローチであると判明した。

ABSTRACT

Solar photovoltaic (PV) technology has merged as an efficient and versatile method for converting the Sun's vast energy into electricity. Innovation in developing new materials and solar cell architectures is required to ensure lightweight, portable, and flexible miniaturized electronic devices operate for long periods with reduced battery demand. Recent advances in biomedical implantable and wearable devices have coincided with a growing interest in efficient energy-harvesting solutions. Such devices primarily rely on rechargeable batteries to satisfy their energy needs. Moreover, Artificial Intelligence (AI) and Machine Learning (ML) techniques are touted as game changers in energy harvesting, especially in solar energy materials. In this article, we systematically review a range of ML techniques for optimizing the performance of low-cost solar cells for miniaturized electronic devices. Our systematic review reveals that these ML techniques can expedite the discovery of new solar cell materials and architectures. In particular, this review covers a broad range of ML techniques targeted at producing low-cost solar cells. Moreover, we present a new method of classifying the literature according to data synthesis, ML algorithms, optimization, and fabrication process. In addition, our review reveals that the Gaussian Process Regression (GPR) ML technique with Bayesian Optimization (BO) enables the design of the most promising low-solar cell architecture. Therefore, our review is a critical evaluation of existing ML techniques and is presented to guide researchers in discovering the next generation of low-cost solar cells using ML techniques.

研究の動機と目的

• 小型電子デバイス向けに低コストで高効率な太陽電池を迅速に発見するための機械学習手法を特定・評価すること。
• 時間とリソースを大量に要し、非効率である伝統的な試行錯誤によるプロセスの限界を是正すること。
• データ合成、MLアルゴリズム、最適化戦略、プロセス加工法の観点から、既存の文献を体系的に分類して分析すること。
• MLモデルの太陽電池材料および構造の発見における予測精度と信頼性について、批判的な評価を行うこと。
• 今後の研究を支援するため、データの可用性の課題を明らかにし、データ前処理、特徴量工学、モデル妥当性検証のベストプラクティスを提言すること。

提案手法

• 事前に定義された含む基準に従い、18,380件の初期出版物から選別された58件の査読済み論文を対象としたシステマティックレビューを実施した。
• 構造的分析を可能にするために、研究を4つのカテゴリーに分類した：データ合成、MLアルゴリズム、最適化技術、プロセス加工法。
• 線形回帰、ロジスティック回帰、k近傍法（KNN）、ランダムフォレスト、およびガウス過程回帰（GPR）を含む多様なMLアルゴリズムを評価した。
• 不確実性をモデル化でき、高次元の設計空間を効率的に探索できる点から、GPRにベイズ最適化（BO）を組み合わせた手法が最も効果的であると特定した。
• 信頼区間と予測精度を用いてモデルの性能を評価し、MLで予測された候補の実験的検証の重要性を強調した。
• モデルの信頼性を向上させ、誤予測を低減するため、ドメイン知識の統合、特徴量工学、厳密な妥当性検証実験の推奨を提言した。

実験結果

リサーチクエスチョン

• RQ1 小型デバイス向けに低コストで高性能な太陽電池を予測・最適化するための、どの機械学習手法が最も効果的か？
• RQ2 MLモデルをどのように構築すれば、太陽電池材料および構造の発見における予測誤差を最小限に抑え、信頼性を向上させられるか？
• RQ3 データ品質、特徴量工学、実験的妥当性が、ML駆動型太陽電池設計の精度向上に果たす役割は何か？
• RQ4 ガウス過程回帰にベイズ最適化を統合することで、従来の試行錯誤手法と比較して、太陽電池設計の効率がどのように向上するか？
• RQ5 MLが太陽電池研究分野に広く採用されるのを妨げる主なデータ可用性およびモデル一般化の課題は何か？

主な発見

• ガウス過程回帰（GPR）にベイズ最適化（BO）を組み合わせた手法が、効率的で低コストな太陽電池構造の設計において、最も効果的なMLアプローチとして浮上した。
• MLモデルは、高性能な太陽電池候補を特定する際、最大95％の予測信頼度に達したが、データ制限のため誤った予測が依然として課題である。
• 調査された研究の約3分の1が、MLをプロセス加工に応用することに焦点を当てており、層の堆積、アニール、カバー処理技術の最適化への関心の高まりを示している。
• 技術的進歩にもかかわらず、実際に実験室でプロトタイプを製作してML予測を検証した研究は少数にとどまり、モデルから実験への移行に大きなギャップがあることが明らかになった。
• オープンで標準化され、適切に前処理されたデータセットが不足しているため、研究グループ間でのモデルの一般化と再現性が制限されている。
• 今後の成功は、データ共有の向上、特徴量工学、ドメイン特化知識の統合により、モデルの強靭性と予測精度を高めることが不可欠である。