[논문 리뷰] A Digital Twin to overcome long-time challenges in Photovoltaics

Larry Lüer, Ian Marius Peters외 10명|arXiv (Cornell University)|2023. 05. 12.

Machine Learning in Materials ScienceMaterials Science인용 수 3

한 줄 요약

이 논문은 분자 구조와 장치 성능 간의 장기적인 도전 과제를 극복하기 위해 기계학습, 물리 기반 모델, 고-throughput 실험을 통합한 광발전(PV) 재료를 위한 디지털 트윈 프레임워크를 제안한다. 데이터 기반의 구조 예측을 통한 역방향 분자 설계를 가능하게 하여 성능, 내구성, 재활용 가능성 요건을 동시에 충족하는 재료의 발견을 가속화한다.

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.

연구 동기 및 목표

• 퍼옥시아이드 및 유기 광발전소와 같은 신재료에서의 재료 혁신과 상용화 간 지속적인 격차를 해소하기 위해.
• PV 재료에서 화학 모티프와 기능적 미세 구조 간의 설계 원칙 부족 문제를 해결하기 위해.
• macroscopic 장치 성질로부터의 미세 구조 추론을 가능하게 하여 재료 개발의 주요 장애물로 남아 있는 문제를 해결하기 위해.
• 재료 가속 플랫폼(MAPs), 디지털 트윈 개념, 다스케일 모델링을 통합한 통합 프레임워크를 구축하기 위해.
• 차세대 PV 장치에서 성능, 내구성, 재활용 가능성의 동시에 최적화를 가능하게 하기 위해.

제안 방법

• 고-throughput(HT) 실험 데이터로 훈련된 기계학습 모델을 활용해 양자 화학 및 고체 상태 모델의 매개변수를 설정하기 위해.
• 물리 기반 수학 모델을 사용해 다중 스케일에서 전하 이동, 결함 형성, 열화 메커니즘을 기술하기 위해.
• HT 특성 분석을 통한 실험 피드백을 반복적으로 활용하여 모델을 정밀화하는 디지털 트윈 아키텍처를 구현하기 위해.
• 디지털 트윈을 활용해 장치 수준 성능 데이터를 뒤집어 최적의 분자 구조와 가공 조건을 예측하기 위해.
• 다스케일 모델링과 데이터 기반 학습을 융합하여 다양한 재료 시스템 간의 구조-성질 관계를 일반화하기 위해.
• 인과 모델링을 활용해 중간 구조적 및 에너지 매개변수를 거쳐 화학 구조에서 매크로스코픽 장치 거동으로의 관계를 추적하기 위해.

실험 결과

연구 질문

• RQ1 디지털 트윈 프레임워크는 분자 구조와 매크로스코픽 광발전 성능 간 격차를 어떻게 메울 수 있는가?
• RQ2 고-throughput 실험 데이터셋은 PV 재료에서 물리 기반 모델과 기계학습 모델의 校정 및 검증에 어떤 역할을 하는가?
• RQ3 장치 수준 성능 지표로부터 최적의 화학 구조를 유추함으로써 역방향 분자 설계를 달성할 수 있는가?
• RQ4 전자적, 원자적, 형태학적 스케일을 모두 포함하는 PV 재료의 다스케일 특성을 효과적으로 모델링하고 통합할 수 있는가?
• RQ5 예측 가능한 재료 발견을 위한 PV 분야에서 강건하고 일반화 가능한 모델을 훈련하기 위해 필요한 데이터의 다양성과 양은 얼마인가?

주요 결과

• 제안된 디지털 트윈 프레임워크는 통합 모델링과 데이터 기반 학습을 통해 매크로스코픽 장치 성질로부터 미세 구조 매개변수를 추론할 수 있다.
• 고-throughput 실험은 정확한 예측을 위해 양자 화학 및 고체 상태 모델을 훈련하고 정밀화하기 위한 필요한 데이터 양과 다양성을 제공한다.
• 기계학습과 물리 기반 모델의 통합은 다양한 PV 재료 계열 간의 구조-성질 관계를 일반화하는 데 기여한다.
• 이 프레임워크는 최적의 화학 구조와 가공 조건을 예측함으로써 성능, 안정성, 재활용 가능성 기준을 동시에 충족시키는 역방향 분자 설계를 지원한다.
• 현재 기반 기술들은 이미 고-throughput 데이터에서 통찰을 추출할 수 있지만, 데이터 품질, 스케일, 다스케일 모델의 일관성 문제는 여전히 남아 있다.
• 이 접근법은 차세대 광발전소의 상용화를 가속화하는 전환적 길로 위치지어진다.