[논문 리뷰] Embedding Physics Domain Knowledge into a Bayesian Network Enables Layer-by-Layer Process Innovation for Photovoltaics

Zekun Ren, Felipe Oviedo외 16명|arXiv (Cornell University)|2019. 07. 25.

solar cell performance optimization참고 문헌 46인용 수 4

한 줄 요약

이 논문은 깊이 신경망 기반의 서rogate 모델과 도메인 지식을 통합하여 GaAs 태양전지 공정의 계층별 최적화를 가능하게 하는 물리 기반 베이지안 네트워크를 제안한다. 공정 파rameter를 재료 특성과 장치 성능으로 연결함으로써, 최소한의 실험 반복으로 기준 및 블랙박스 방법 대비 6.5%의 상대 효율 향상을 달성하며, 계층 수준에서 성능 제한의 투명하고 인과적 진단을 가능하게 한다.

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.

연구 동기 및 목표

• 시험적 방법과 블랙박스 최적화의 한계를 극복하기 위해, 투명성과 전역 최적화가 떨어지는 광물리 공정 개발의 문제를 해결한다.
• 체적 수명, 도핑, 표면 재결합과 같은 물리 기반 도메인 지식을 확률적 프레임워크에 통합하여 인과적 추론을 가능하게 한다.
• 빠른 서rogate 모델을 통해 소수의 제작 샘플로도 정확한 성능 예측이 가능하게 하여 실험 부담을 줄인다.
• 개별 공정 단계가 전체 장치 성능에 미치는 영향을 분리함으로써 계층별 공정 혁신을 달성한다.

제안 방법

• 공정 조건, 재료 기술자표지(예: 체적 수명, 도핑, 표면 재결합), 장치 성능(예: 세포 효율) 간의 인과적 관계를 모델링하기 위해 베이지안 네트워크를 구축한다.
• 기존 수치 해석기보다 100배 이상 빠른 속도로 장치 성능을 예측할 수 있는 오토에인코더 기반의 서rogate 장치물리 모델을 훈련시킨다.
• 물리적 타당성을 확보하기 위해 물리 도메인 지식을 베이지안 네트워크의 구조와 조건부 확률 분포에 통합한다.
• 제한된 실험 데이터를 바탕으로 공정 파rameter에 대한 믿음을 업데이트하기 위해 베이지안 추론을 사용하여 소수의 데이터로도 효율적인 학습을 가능하게 한다.
• 개별 공정 단계가 전체 장치 성능에 미치는 영향을 분리함으로써 계층별 진단을 지원한다.
• 단일 사이클 최적화를 통해 GaAs 태양전지의 개선된 성장 온도를 특정함으로써 방법을 검증하였다. 이 과정에서 추가 측정이 필요로 하지 않았다.

실험 결과

연구 질문

• RQ1 물리 도메인 지식이 베이지안 네트워크에 효과적으로 통합되어 광물리 공정 최적화의 해석 가능성과 정확도를 향상시킬 수 있는가?
• RQ2 빠른 서rogate 모델의 통합이 장치 공정 개발에서 베이지안 추론의 효율성을 어떻게 향상시키는가?
• RQ3 계층별 진단은 다층 광물리 장치에서 성능 저하의 근본 원인을 어느 정도 정확히 특정할 수 있는가?
• RQ4 전통적인 블랙박스 최적화에 비해 제안된 방법이 효율 향상과 실험 효율 측면에서 뛰어나게 되는가?
• RQ5 이 프레임워크는 기존 최적화 방법이 발견하지 못한 대체 최적 공정 윈도우를 발견할 수 있는가?

주요 결과

• 기준 및 전통적인 블랙박스 최적화 방법에 비해 AM1.5G 전환 효율에서 6.5%의 상대적 향상을 달성하였다.
• 추가 실험 측정이 필요로 하지 않음에도 불구하고, GaAs 태양전지의 개선된 성장 온도를 특정할 수 있었다.
• 서rogate 모델은 수치 해석기 대비 예측 시간을 100배 감소시켜, 최소한의 실험 입력으로도 빠른 반복을 가능하게 하였다.
• 베이지안 네트워크는 계층 수준에서 성능 제한의 투명하고 인과적인 통찰을 제공하였으며, 성능 저하의 원인으로서 특정 공정 조건을 드러내었다.
• 이 방법은 강건성과 높은 샘플 효율성을 보였으며, 소수의 제작 샘플로도 상당한 최적화 성과를 달성하였다.
• 전역 블랙박스 최적화에서 발견하지 못한 대체 최적 공정 윈도우를 발견함으로써, 국소 최적점에서 벗어나는 능력을 보였다.