[论文解读] Bridging the gap between photovoltaics R&D and manufacturing with data-driven optimization

Felipe Oviedo, Zekun Ren+13 more|arXiv (Cornell University)|Apr 28, 2020

Perovskite Materials and Applications参考文献 40被引用 7

一句话总结

本文提出了一种数据驱动的优化框架，通过整合技术经济性指标——总收益，以及可扩展的物理推理方法，弥合了光伏材料研发与制造之间的鸿沟。该框架加速了根本原因分析，并实现了从实验室规模效率优化到兼顾良率与成本的工业生产之间的平稳过渡，通过144个器件的钙钛矿案例研究得到验证，展示了优化效率的提升与物理机理洞察的增强。

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.

研究动机与目标

• 解决研发领域对最高效率的追求与工业制造对高良率和成本效益需求之间的脱节问题。
• 克服传统试错法及钙钛矿等类似材料中高方差优化方法的局限性。
• 开发统一的优化目标，整合效率、良率与可制造性，实现技术的无缝转移。
• 利用机器学习与器件建模，实现可扩展的、基于物理的器件性能不佳的根本原因分析。
• 通过将工艺参数与物理器件特性及经济结果相联系，加速优化周期。

提出的方法

• 提出一种新的性能指标——总收益，综合考虑功率转换效率、制造良率与工艺变异性，以体现工业相关性。
• 应用基于机器学习的代理模型（如高斯过程回归），将工艺参数映射到器件性能与收益。
• 利用基于器件仿真的物理信息代理模型，提升泛化能力并减少数据需求。
• 通过电学表征（如J-V、EQE）与器件物理模型的逆向建模，实现可扩展的物理推断，以估计载流子寿命与迁移率等关键参数。
• 采用鲁棒统计方法（如L-估计量、M-估计量）与异方差高斯过程回归，以应对数据变异性与异常值。
• 将多目标优化与约束条件（如降解、可制造性、拥有成本LCOE）相结合，实现全面评估。

实验结果

研究问题

• RQ1 在钙钛矿太阳能电池中，如何弥合研发效率优化与工业制造良率之间的差距？
• RQ2 与单纯追求效率最大化相比，像总收益这样的技术经济性指标是否能更有效地将研发目标与工业生产需求对齐？
• RQ3 在高变异性钙钛矿器件中，可扩展的物理推断在多大程度上能加速性能不佳的根本原因分析？
• RQ4 将物理模型与机器学习相结合，如何提升优化效率并减少实验迭代次数？
• RQ5 该框架是否可推广至其他光电器件材料（如钙钛矿衍生半导体、电池或晶体管）？

主要发现

• 所提出的总收益性能指标通过整合效率、良率与工艺变异性，实现了研发到制造的平稳过渡。
• 144个钙钛矿器件的案例研究显示，与传统最大效率方法相比，该数据驱动框架显著缩短了优化时间并提高了可重复性。
• 基于物理信息机器学习模型的可扩展物理推断，使得在有限实验数据下仍能准确估计载流子寿命与迁移率等关键器件参数。
• 鲁棒统计技术（如M-估计量）与异方差高斯过程回归显著提升了在高数据变异性条件下的优化稳定性。
• 器件建模与机器学习的结合减少了对大量试错实验的依赖，并增强了对性能不佳原因的物理解读。
• 该框架可扩展至其他材料体系（包括电池与晶体管），并支持未来与高通量实验流程的集成。