[논문 리뷰] Bridging the gap between photovoltaics R&D and manufacturing with data-driven optimization

Felipe Oviedo, Zekun Ren외 13명|arXiv (Cornell University)|2020. 04. 28.

Perovskite Materials and Applications참고 문헌 40인용 수 7

한 줄 요약

이 논문은 기술경제적 지표인 총 수익과 확장 가능한 물리 기반 추론을 통합함으로써 태양전지 연구개발(R&D)과 제조 공정을 연결하는 데이터 기반 최적화 프레임워크를 제안한다. 이 프레임워크는 루트 캐스스 분석을 가속화하고 실험실 규모의 효율 최적화에서 수율과 비용 인식이 반영된 산업 생산으로의 매끄러운 전환을 가능하게 하며, 144개의 장치를 포함한 페로브스카이트 사례 연구를 통해 최적화 효율성 향상과 물리적 통찰력 생성이 가능함을 입증한다.

ABSTRACT

Novel photovoltaics, such as perovskites and perovskite-inspired materials, have shown great promise due to high efficiency and potentially low manufacturing cost. So far, solar cell R&D has mostly focused on achieving record efficiencies, a process that often results in small batches, large variance, and limited understanding of the physical causes of underperformance. This approach is intensive in time and resources, and ignores many relevant factors for industrial production, particularly the need for high reproducibility and high manufacturing yield, and the accompanying need of physical insights. The record-efficiency paradigm is effective in early-stage R&D, but becomes unsuitable for industrial translation, requiring a repetition of the optimization procedure in the industrial setting. This mismatch between optimization objectives, combined with the complexity of physical root-cause analysis, contributes to decade-long timelines to transfer new technologies into the market. Based on recent machine learning and technoeconomic advances, our perspective articulates a data-driven optimization framework to bridge R&D and manufacturing optimization approaches. We extend the maximum-efficiency optimization paradigm by considering two additional dimensions: a technoeconomic figure of merit and scalable physical inference. Our framework naturally aligns different stages of technology development with shared optimization objectives, and accelerates the optimization process by providing physical insights.

연구 동기 및 목표

• 신규 태양전지에서 R&D의 기록 효율 중심 목표와 제조 공정의 고수율 및 비용 효율성 요구 간 격차를 해소한다.
• 페로브스카이트 및 유사 물질에서 전통적인 시행착오 방식과 높은 변동성을 가지는 최적화의 한계를 극복한다.
• 효율성, 수율, 제조 가능성의 통합 최적화 목표를 개발하여 원활한 기술 이행을 가능하게 한다.
• 기계 학습과 장치 모델링을 활용해 확장 가능한 물리 기반 루트 캐스스 분석을 가능하게 한다.
• 공정 파arameter와 물리적 장치 특성, 경제적 결과를 연결함으로써 최적화 사이클을 가속화한다.

제안 방법

• 산업적 관련성을 반영하기 위해 전환 효율, 제조 수율, 공정 변동성을 통합한 새로운 지표인 총 수익을 도입한다.
• 기계 학습 기반 서rogate 모델(예: 가우시안 프로세스 회귀)을 적용하여 공정 파arameter와 장치 성능 및 수익 간의 관계를 맵핑한다.
• 장치 시뮬레이션에 기반한 물리 기반 서rogate 모델을 활용해 일반화 능력을 향상시키고 데이터 요구량을 줄인다.
• 전기적 특성(예: J-V, EQE)과 장치 물리 모델을 사용한 역모델링을 통해 확장 가능한 물리 기반 추론을 구현하여 주요 파라미터(예: 실리콘 재결합 시간, 이동도)를 추정한다.
• 데이터 변동성과 이방성에 대응하기 위해 강력한 통계 기법(예: L-추정기, M-추정기)과 이종분산 가우시안 프로세스 회귀를 활용한다.
• 장기적 평가를 위한 다목적 최적화를 구현하며, 열화, 제조 가능성, 소유비용(LCOE) 등의 제약 조건을 통합한다.

실험 결과

연구 질문

• RQ1 페로브스카이트 태양전지에서 R&D 효율 최적화와 산업 제조 수율 간 격차는 어떻게 해소될 수 있는가?
• RQ2 순수한 효율 최대화보다 총 수익과 같은 기술경제 지표가 R&D 목표를 산업 생산 요구사항과 더 잘 맞출 수 있는가?
• RQ3 확장 가능한 물리 기반 추론은 고변동성 페로브스카이트 장치의 성능 저하 원인 분석을 어느 정도 가속화할 수 있는가?
• RQ4 기계 학습과 물리 모델을 통합함으로써 최적화 효율성은 어떻게 향상되고 실험 반복 수는 어떻게 감소하는가?
• RQ5 이 프레임워크는 페로브스카이트 유사 반도체, 배터리, 트랜지스터와 같은 다른 옵티오일렉트로닉스 재료로 일반화될 수 있는가?

주요 결과

• 제안된 총 수익 지표는 효율성, 수율, 공정 변동성을 통합함으로써 R&D에서 제조로의 매끄러운 전환을 가능하게 한다.
• 144개의 페로브스카이트 장치를 포함한 사례 연구에서 기존 최대 효율 기반 접근 방식에 비해 데이터 기반 프레임워크가 최적화 시간을 단축시키고 재현 가능성을 향상시켰다.
• 물리 기반 기계 학습 모델에 기반한 확장 가능한 물리 기반 추론은 제한된 실험 데이터에서 실리콘 재결합 시간 및 이동도와 같은 주요 장치 파라미터를 정확하게 추정하는 데 기여했다.
• M-추정기와 이종분산 가우시안 프로세스 회귀와 같은 강력한 통계 기법이 높은 데이터 변동성 하에서 최적화의 안정성을 향상시켰다.
• 장치 모델링과 기계 학습의 통합은 광범위한 시행착오 실험의 필요성을 줄였고 성능 저하 원인에 대한 물리적 통찰력을 강화했다.
• 이 프레임워크는 배터리 및 트랜지스터와 같은 다른 재료 체계로도 확장 가능하며, 향후 고속 실험 파이프라인과의 통합도 지원한다.