AI 기반의 혁신: 고효율 태양 전지의 비밀을 밝히다
연구자들은 인공지능 기술을 활용하여 매우 효과적인 페로브스카이트 태양전지 패널의 생산 절차를 개선하는 데 진전을 보이고 있습니다. 이 성과는 칼스루에 공과대학교(KIT)의 아마데우스 브람시페의 공로입니다.
인공 지능 기반 접근 방식은 고성능 태양 전지의 생산 방법을 최적화하는 데 필수적인 역할을 하며, 이는 다른 수많은 과학 분야의 모델로 간주될 수 있습니다.
페로브스카이트 탠덤 태양전지는 페로브스카이트 태양전지와 실리콘으로 주로 제조되는 기존 태양전지를 결합한 최첨단 하이브리드 기술을 구현합니다. 태양광 기술의 최전선에 있는 이 장치는 33% 이상의 뛰어난 효율을 자랑하며 표준 실리콘 태양전지의 성능을 크게 뛰어넘습니다.
또한 이러한 장치는 비용 효율적인 원자재를 사용하고 최소한의 생산 공정만 거칩니다. 이러한 성능을 달성하기 위해서는 일반적인 머리카락 한 가닥보다 훨씬 얇은 두께의 매우 얇은 고품질 페로브스카이트 층을 만들어야 합니다.
종신트랙 교수인 울리히 W. 페촐트 교수가 미세구조기술연구소와 한국생산기술연구원 광기술연구소에서 수행한 연구를 통해 달성하고자 하는 주요 목표 중 하나는 전체 표면적이 균일한 고순도 무결점 다결정 박막을 제조하는 효율적이고 비용 효과적인 방법을 개발하는 것입니다. 이러한 노력은 관련 공정의 복잡성과 민감성으로 인해 현대 재료 과학 및 기술 분야에서 중요한 도전 과제입니다.
이상적인 실험실 조건에도 불구하고 예상치 못한 변수로 인해 반도체 레이어 내에서 불일치가 발생할 수 있다고 페촐드 박사는 지적합니다. 이러한 한계는 지속 가능한 에너지원으로의 전환을 촉진하는 데 필수적인 고효율 태양 전지를 위한 대규모 제조 작업을 신속하게 시작하는 데 방해가 됩니다.
AI, 효과적인 코팅의 숨겨진 징후를 찾다
하이델베르크 DKFZ의 헬름홀츠 이미징과 헬름홀츠 AI의 페로브스카이트 태양전지 전문가와 머신러닝 및 설명 가능한 인공지능(XAI) 전문가 간의 학제 간 협력은 코팅에 영향을 미치는 주요 요인을 파악하는 것을 목표로 하고 있습니다.
연구진은 방대한 데이터 세트를 활용하여 신경망을 훈련하고 검사하기 위한 AI 기술을 고안했습니다.이 데이터 세트에는 제조 단계 전반에서 얇은 페로브스카이트 층이 보여주는 광발광을 보여주는 비디오 영상이 포함되어 있습니다. 광발광은 반도체 층이 외부 광원으로부터 여기되어 생성되는 발광 방출을 의미합니다.
전문가조차도 얇은 층 내에서 어떤 특징도 식별할 수 없다는 점을 고려하여 독일 암 연구 센터(DKFZ)의 헬름홀츠 이미징 연구소의 루카스 클라인과 세바스찬 지글러 연구원은 새로운 접근 방식을 고안해냈습니다. 여기에는 머신 러닝 기술, 특히 딥 러닝 알고리즘을 활용하여 방대한 양의 비디오 데이터를 분석하여 최적의 코팅 또는 차선의 코팅에 대한 미묘한 지표를 식별하는 것이 포함되었습니다.
딥러닝 인공지능 플랫폼에서 생성되는 다양한 신호를 효과적으로 처리하고 조사하기 위해 연구진은 설명 가능한 인공지능에 기반한 기술을 분석 목적으로 활용했습니다.
“후속 연구를 위한 청사진”
실험적 조사를 통해 광발광은 제조 공정 전반에 걸쳐 변동을 보이며, 이러한 변화는 코팅의 전반적인 품질에 영향을 미친다는 사실을 발견했습니다.
우리 팀의 혁신적인 전략은 더 높은 품질의 태양 전지를 얻기 위해 수정이 필요한 특정 변수를 식별하기 위해 표적 설명 가능한 인공 지능(XAI) 기술을 활용하는 것이었습니다. 일반적으로 XAI는 AI 모델 개발 과정에서 오류를 방지하기 위한 안전 조치로만 사용됩니다.
이러한 접근 방식은 재료 과학 분야에서 관련성이 높은 지식을 체계적이고 체계적으로 습득할 수 있다는 점에서 관점의 중요한 전환을 의미하며, 이는 새로운 경험을 구성합니다.
연구진은 관찰된 광발광의 변화를 바탕으로 신경망 훈련에 적합한 행동 방침을 결정할 수 있었습니다. 이 과정을 통해 연구진은 생산 단계에서 발생하는 특정 발광 단계에 따라 특정 태양전지의 효율이 높을지 낮을지를 매우 정확하게 예측할 수 있는 인공 지능을 개발했습니다.
울리히 W. 페촐드는 이 연구 결과에 대해 큰 기대를 표하며, 인공지능을 도입하여 생산 공정을 개선하는 데 필요한 조정 사항을 결정하는 데 중요한 단서를 제공한다고 주장했습니다. 결과적으로 실험을 더욱 정밀하게 수행할 수 있게 되어 시행착오를 겪을 필요가 없어졌습니다.이 접근법의 성공은 향후 에너지 연구 및 재료 과학의 다양한 분야에 걸친 연구의 본보기가 될 것입니다.
참조: “설명 가능한 AI로 확장 가능한 페로브스카이트 태양 전지 제조를 위한 공정 역학 발견” 작성자: Lukas Klein, Sebastian Ziegler, Felix Laufer, Charlotte Debus, Markus Götz, Klaus Maier-Hein, Ulrich W. Paetzold, Fabian Isensee 및 Paul F. Jäger, 2023년 10월 30일, Advanced Materials.
DOI: 10.1002/adma.202307160