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

Satyam Bhatti, Habib Ullah Manzoor+6 more|arXiv (Cornell University)|Dec 26, 2022

Machine Learning in Materials Science被引用 9

一句话总结

本篇系统性综述评估了机器学习（ML）技术在加速发现高性能、低成本太阳能电池方面的应用，尤其针对微型电子设备。研究识别出结合贝叶斯优化的高斯过程回归（GPR）是最有效的太阳能电池结构设计方法，通过数据驱动的预测与优化显著减少了试错实验。

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.

研究动机与目标

• 识别并评估可加速面向微型电子设备的低成本、高性能太阳能电池发现的机器学习技术。
• 解决传统试错法在制造过程中耗时、资源密集且效率低下的局限性。
• 基于数据合成、机器学习算法、优化策略及制造工艺对现有文献进行分类，以实现系统性分析。
• 对机器学习模型在太阳能电池材料与结构发现中的预测准确性和可靠性进行批判性评估。
• 通过阐明数据可用性挑战并推荐数据预处理、特征工程与模型验证的最佳实践，为未来研究提供指导。

提出的方法

• 基于预设的纳入标准，从18,380篇初始文献中筛选出58篇同行评审论文，开展系统性文献综述。
• 将研究分为四类：数据合成、机器学习算法、优化技术与制造工艺，以实现结构化分析。
• 评估了包括线性回归、逻辑回归、k近邻（KNN）、随机森林及高斯过程回归（GPR）在内的多种机器学习算法。
• 聚焦于结合贝叶斯优化（BO）的GPR，因其能够建模不确定性并高效探索高维设计空间，被认定为最有效的方法。
• 通过置信区间与预测准确率评估模型性能，强调需对机器学习预测的候选材料进行实验验证。
• 提出整合领域专业知识、特征工程与严格验证实验，以提升模型可靠性并减少误报预测。

实验结果

研究问题

• RQ1 哪些机器学习技术在预测和优化微型设备用低成本太阳能电池性能方面最为有效？
• RQ2 如何构建机器学习模型以最小化预测误差，并提升太阳能电池材料与结构发现中的可靠性？
• RQ3 数据质量、特征工程与实验验证在提升机器学习驱动太阳能电池设计准确性方面发挥何种作用？
• RQ4 与传统试错法相比，贝叶斯优化与高斯过程回归的结合如何提升太阳能电池设计效率？
• RQ5 在数据可用性与模型泛化方面，哪些关键挑战阻碍了机器学习在太阳能电池研究中的广泛应用？

主要发现

• 结合贝叶斯优化（BO）的高斯过程回归（GPR）被证明是设计高效、低成本太阳能电池结构的最有效机器学习方法。
• 机器学习模型在识别高性能太阳能电池候选材料方面，预测置信度最高可达95%，但受限于数据质量，仍存在误判问题。
• 所审查研究中约有三分之一聚焦于将机器学习应用于制造工艺，表明对优化层沉积、退火与封装技术的兴趣日益增长。
• 尽管技术有所进步，但仅有少数研究通过实际实验室制造验证了其机器学习预测结果，凸显了模型到实验转化中的关键缺口。
• 缺乏开放、标准化且经过良好预处理的数据集，限制了模型在不同研究团队间的泛化能力与可重复性。
• 未来成功取决于改善数据共享、加强特征工程，并整合领域特定知识，以提升模型的鲁棒性与预测准确性。