[论文解读] A Digital Twin to overcome long-time challenges in Photovoltaics

Larry Lüer, Ian Marius Peters+10 more|arXiv (Cornell University)|May 12, 2023

Machine Learning in Materials ScienceMaterials Science被引用 3

一句话总结

本文提出了一种用于光伏（PV）材料的数字孪生框架，该框架整合了机器学习、基于物理的模型以及高通量实验，以克服长期存在的分子结构与器件性能之间关联的难题。通过数据驱动的结构预测实现逆向分子设计，该框架加速了同时满足性能、耐久性和可回收性要求的材料发现。

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.

研究动机与目标

• 解决新兴光伏材料（如钙钛矿和有机物）在材料创新与商业化之间长期存在的差距问题。
• 克服PV材料中化学基元与功能微观结构之间缺乏设计原则的问题。
• 实现实验上从宏观器件性能推断微观结构，这仍是材料开发中的主要瓶颈。
• 建立一个统一框架，整合材料加速平台（MAPs）、数字孪生概念和多尺度建模，以实现预测性材料设计。
• 促进下一代PV器件在性能、耐久性和可回收性方面的同步优化。

提出的方法

• 利用高通量（HT）实验数据训练的机器学习模型，用于参数化量子化学和固态模型。
• 使用基于物理的数学模型，在多个尺度上描述电荷传输、缺陷形成和降解机制。
• 实施一种数字孪生架构，通过HT表征的实验反馈迭代优化模型。
• 利用数字孪生技术，将器件级性能数据逆向转换，预测最优分子结构和加工条件。
• 结合多尺度建模与数据驱动学习，推广不同材料体系之间的结构-性能关系。
• 利用因果建模，从化学结构到宏观器件行为，通过中间结构和能量参数追踪其关联关系。

实验结果

研究问题

• RQ1 数字孪生框架如何弥合分子结构与宏观光伏性能之间的鸿沟？
• RQ2 高通量实验数据集在此类PV材料的物理模型和机器学习模型标定与验证中发挥什么作用？
• RQ3 能否通过器件级性能指标反推最优化学结构，实现逆向分子设计？
• RQ4 如何有效建模并整合光伏材料的多尺度特性（涵盖电子、原子和形貌尺度）？
• RQ5 在光伏材料预测性发现中，需要多大程度的数据多样性与数据量，才能训练出稳健且可泛化的模型？

主要发现

• 所提出的数字孪生框架通过集成建模与数据驱动学习，实现了从宏观器件性能推断微观结构参数。
• 高通量实验提供了训练和优化量子化学与固态模型所需的数据量和多样性，以实现准确预测。
• 将机器学习与基于物理的模型相结合，可实现不同PV材料族之间结构-性能关系的泛化。
• 该框架通过预测满足多重性能、稳定性与可回收性标准的最优化学结构和加工条件，支持逆向分子设计。
• 当前的使能技术已可从高通量数据中提取洞察，但在数据质量、规模和多尺度模型一致性方面仍存在挑战。
• 该方法被定位为加速下一代光伏商业化的一项变革性路径。