[论文解读] Embedding Physics Domain Knowledge into a Bayesian Network Enables Layer-by-Layer Process Innovation for Photovoltaics

Zekun Ren, Felipe Oviedo+16 more|arXiv (Cornell University)|Jul 25, 2019

solar cell performance optimization参考文献 46被引用 4

一句话总结

本文提出一种物理信息贝叶斯网络，将领域知识与基于深度自编码器的代理模型相结合，实现对GaAs太阳能电池工艺的逐层优化。通过将工艺参数与材料性能及器件性能关联，该方法在仅进行少量实验迭代的情况下，相较于基线方法和黑箱方法实现了6.5%的相对效率提升，展示了在层级别对性能限制的透明化、因果性诊断。

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.

研究动机与目标

• 为克服光伏工艺开发中试错法和黑箱优化方法的局限性，后者通常缺乏透明度和全局最优性。
• 将基于物理的领域知识（如体寿命、掺杂和表面复合）整合到概率框架中，以实现因果推断。
• 通过基于快速代理模型的准确性能预测，减少实验负担，仅需少量制备样品即可实现。
• 通过识别性能不佳的根本原因并揭示替代的最优工艺窗口，实现逐层工艺创新。

提出的方法

• 构建贝叶斯网络以建模工艺条件、材料描述符（如体寿命、掺杂、表面复合）与器件性能（如电池效率）之间的因果关系。
• 训练基于自编码器的代理器件物理模型，其性能预测速度比传统数值求解器快100倍以上。
• 将物理领域知识嵌入贝叶斯网络结构及条件概率分布中，以确保推断结果的物理解释性。
• 利用贝叶斯推断基于有限的实验数据更新对工艺参数的信念，实现在小样本数据下的高效学习。
• 通过隔离各工艺步骤对整体器件性能的影响，支持逐层诊断。
• 通过单轮循环优化GaAs太阳能电池验证了该方法，成功识别出无需二次测量的改进外延生长温度。

实验结果

研究问题

• RQ1 能否有效将物理领域知识嵌入贝叶斯网络，以提升光伏工艺优化中的可解释性与准确性？
• RQ2 快速代理模型的集成在多大程度上提升了器件工艺开发中贝叶斯推断的效率？
• RQ3 逐层诊断在多大程度上能够识别多层光伏器件中性能退化的根本原因？
• RQ4 与传统黑箱优化相比，该方法在效率提升和实验效率方面是否更具优势？
• RQ5 该框架是否能发现标准优化方法未识别出的替代最优工艺窗口？

主要发现

• 该方法在AM1.5G标准太阳光谱下，相较于基线方法和传统黑箱优化方法，实现了6.5%的相对效率提升。
• 该框架在无需额外实验测量的情况下，成功识别出GaAs太阳能电池的改进外延生长温度。
• 代理模型相比数值求解器将预测时间缩短了100倍，实现了在极低实验输入下的快速迭代。
• 贝叶斯网络提供了透明且因果的层级别性能限制洞察，揭示了导致性能不佳的具体工艺条件。
• 该方法表现出强鲁棒性与高样本效率，仅使用少量制备样品即实现了显著的优化增益。
• 该方法发现了黑箱全局优化未能识别的替代最优工艺窗口，凸显其跳出局部最优的能力。