刊登于能源科学领域学术期刊《Energy & Environmental Science》6月17日刊封面的论文图像。/图片提供=UNIST 蔚山科学技术院(UNIST)与澳大利亚联邦科学与工业研究组织的研究团队展示了将人工智能与有机太阳能电池开发相结合的技术。该成果作为可加快有机太阳能电池等各类印刷型光电器件开发研究的新研究方法论而受到关注。
UNIST能源化学工程系金振荣教授团队与联邦科学机构朴斗镇博士团队开发出可预测高性能有机太阳能电池生产所需材料成分比和叠层厚度等的模型。该预测模型利用人工智能的一个分支——机器学习技术构建。人工智能学习所需的数据集,通过卷对卷(Roll-to-Roll)工艺大量制造有机太阳能电池而得以轻松获取。
有机太阳能电池是将混合有机物、添加剂等的溶液涂覆在基板上制成。由于可制成轻薄柔性的薄膜形态且价格低廉,被视为下一代太阳能电池。其相比商用太阳能电池效率较低是问题,但近期多成分有机太阳能电池的开发使电池效率有所提高。
然而随着多成分有机太阳能电池的开发,最优化工作变得更为棘手。有机太阳能电池的性能会随材料混合比或叠层厚度而变化,需要通过最优化找到将已开发电池性能提升至最大值的条件,而成分增多使组合数也随之增加。
研究团队开发出可轻松预测最优性能条件的机器学习模型。机器学习的学习数据越多精度越高,团队通过卷对卷工艺制作了具有2000余种有机太阳能电池组合的器件,获得了学习所需数据。卷对卷是在从圆筒棒(Roll)上放卷的基板上印刷有机太阳能电池材料,再将其卷绕到另一根圆筒棒上的工艺方式。按基板位置分别设计了不同的成分比和叠层厚度等组合。
第一作者、UNIST博士安娜庆表示:“为将卷对卷工艺生产的各种组合有机太阳能电池数据数字化为机器学习可识别的形式,我们提出了‘印刷密度’(Deposition Density)这一新数值”,“只要具备卷对卷设备,就可利用公开的机器学习库构建预测模型,实验可及性也很好”。
此外,卷对卷是已商业化的工艺,具有可直接应用于有机太阳能电池量产的优势。本次实验制造出将太阳光转换为电能效率为10.2%的电池,这是以卷对卷工艺制造的印刷型有机太阳能电池的最高效率纪录。
澳大利亚联邦科学与工业研究组织(CSIRO)博士朴斗镇负责机器学习模型训练与最优化条件预测,完成了同时寻找最高效率条件和薄膜厚度间效率偏差较小条件的工作。
朴斗镇博士说明:“为实现商业化,不仅要有高性能条件,找到无论薄膜厚度如何变化都能一贯保持高性能的条件也很重要”,“本研究预测了两种条件并通过实验加以验证,提供了可加快有机太阳能电池商用化的方法论”。
金振荣教授期待表示:“在单项研究中制作并分析2000种材料组合的有机太阳能电池尚无先例”,“若进一步增加学习数据、开发出精度更高的模型,还可用于利用钙钛矿的发光二极管、光探测器等印刷型电子器件的材料开发”。
能源科学领域权威学术期刊《Energy & Environmental Science》以6月17日刊封面刊登了该研究,并被期刊编辑等评选为“受关注论文”。该研究在韩国研究财团和澳大利亚可再生能源机构的支持下完成。
/蔚山=记者 张志承 jjs@sedaily.com






