[논문 리뷰] Machine learning for accelerating the discovery of high performance low-cost solar cells: a systematic review

Satyam Bhatti, Habib Ullah Manzoor외 6명|arXiv (Cornell University)|2022. 12. 26.

Machine Learning in Materials Science인용 수 9

한 줄 요약

이 체계적 리뷰는 소형 전자 기기용 저비용·고성능 태양전지의 발견을 가속화하는 데 머신러닝(ML) 기법을 평가한다. 특히 가우시안 프로세스 회귀(GPR)와 베이지안 최적화(BO)의 조합이 효율적인 태양전지 구조 설계에 가장 효과적인 것으로 밝혀졌으며, 데이터 기반 예측과 최적화를 통해 시행착오 기반 실험을 크게 줄였다.

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.

연구 동기 및 목표

• 소형 전자 기기용 저비용·고성능 태양전지를 가속화해 발견할 수 있는 머신러닝 기법을 특정하고 평가하는 것.
• 시간이 오래 걸리고 자원을 많이 소비하며 비효율적인 전통적 시행착오 기반 제조 방법의 한계를 해결하는 것.
• 체계적 분석을 가능하게 하기 위해 자료 합성, ML 알고리즘, 최적화 전략, 제조 공정 기반으로 기존 문헌을 분류하는 것.
• 머신러닝 모델의 예측 정확도와 신뢰성에 대한 비판적 평가를 통해 태양전지 재료 및 구조 설계에서의 발견에 기여하는 것.
• 데이터 가용성 문제를 제시하고 데이터 전처리, 특징 공학, 모델 검증 분야의 최선의 실천 방안을 제안함으로써 향후 연구를 이끄는 것.

제안 방법

• 정의된 포함 기준에 따라 18,380개의 초도 출판물 중 58편의 동료 심사된 논문을 선별하여 체계적 문헌 리뷰를 수행했다.
• 체계적 분석을 가능하게 하기 위해 연구를 자료 합성, ML 알고리즘, 최적화 기법, 제조 공정의 네 가지 범주로 분류했다.
• 선형 회귀, 로지스틱 회귀, k-최근접 이웃(KNN), 랜덤 포레스트, 가우시안 프로세스 회귀(GPR) 등 다양한 ML 알고리즘을 평가했다.
• 불확실성 모델링과 고차원 설계 공간의 효율적 탐색 능력을 고려해 GPR와 베이지안 최적화(BO)의 조합이 가장 효과적인 방법으로 평가되었다.
• 신뢰구간과 예측 정확도를 사용하여 모델 성능을 평가하였으며, ML 예측 후보의 실험적 검증이 필요하다는 점을 강조했다.
• 모델 신뢰도 향상과 오류 예측 감소를 위해 도메인 전문 지식 통합, 특징 공학, 철저한 검증 실험을 제안했다.

실험 결과

연구 질문

• RQ1 소형 기기용 저비용 태양전지의 성능을 예측하고 최적화하는 데 가장 효과적인 머신러닝 기법은 무엇인가?
• RQ2 머신러닝 모델은 태양전지 재료 및 구조 설계에서 예측 오차를 최소화하고 신뢰성을 향상시키기 위해 어떻게 구성되어야 하는가?
• RQ3 데이터 품질, 특징 공학, 실험적 검증은 ML 기반 태양전지 설계 정확도 향상에 어떤 역할을 하는가?
• RQ4 베이지안 최적화와 가우시안 프로세스 회귀의 통합은 전통적 시행착오 방법에 비해 태양전지 설계의 효율성을 어떻게 향상시키는가?
• RQ5 머신러닝이 태양전지 연구에 널리 보급되는 것을 저해하는 주요 데이터 가용성 및 모델 일반화 문제는 무엇인가?

주요 결과

• 가우시안 프로세스 회귀(GPR)와 베이지안 최적화(BO)의 조합이 저비용·효율적인 태양전지 구조 설계에 가장 효과적인 ML 접근법으로 부상했다.
• 머신러닝 모델은 고성능 태양전지 후보를 식별하는 데까지 최대 95%의 예측 신뢰도를 달성했지만, 데이터 제약으로 인해 정확하지 못한 예측이 여전히 문제로 남아 있다.
• 검토된 연구의 약 1/3이 제조 공정에 머신러닝을 적용하는 데 집중하여, 층 증착, 열처리, 봉입 공정 최적화에 대한 관심이 증가하고 있음을 시사한다.
• 다양한 기술 발전에도 불구하고, 실제로 실험실 제조를 통해 ML 예측를 검증한 연구는 소수에 그쳐, 모델에서 실험으로의 번역에 대한 심각한 격차가 존재한다.
• 개방형, 표준화된, 잘 전처리된 데이터셋의 부족은 연구 팀 간 모델 일반화와 재현 가능성을 제한한다.
• 향후 성공은 데이터 공유 개선, 특징 공학 강화, 도메인 특화 지식의 통합을 통해 모델의 강건성과 예측 정확도를 향상시키는 데 달려 있다.