工程师巧解太阳能电池测试难题，加速又省钱

测试新型太阳能电池技术的过程传统上一直缓慢且成本高昂，需要多个步骤。在一位读博五年级的学生带领下，约翰霍普金斯大学的一个团队开发了一种机器学习方法，有望大幅加快这一进程，为更高效、更实惠的可再生能源解决方案铺平道路。

“我们的工作表明，机器学习可以简化太阳能电池的测试过程，”团队负责人凯文·李（Kevin Lee）表示，他与电气和计算机工程专业的研究生阿琳·邱（Arlene Chiu）、林依达（Yida Lin）、斯里亚斯·钦塔帕利（Sreyas Chintapalli）、塞琳·卡迈勒（Serene Kamal）以及本科生埃里克·吉（Eric Ji）共同参与了这个项目。“这不但节省了时间和资源，还为清洁能源技术的发展开辟了新的可能。”

该团队的研究成果发表于先进智能系统。

新型太阳能材料和设备实现商业化的一大主要障碍在于漫长的制造-测试-迭代周期。为市场优化一种新型太阳能电池材料是一个艰巨的过程。制造出一个设备后，需要进行多次耗时的测量来了解其材料特性。然后利用这些数据来调整制造过程，重复这个循环。

这种新方法通过在一次测量中提取所有材料的重要特征，大幅缩短了所需时间。

与其他基于计算机模拟数据训练出来的方法不同——这类方法常常会得出不准确的结果——霍普金斯团队所采用的方法运用的是真实世界的数据。

他们的神经网络从一个太阳能电池中收集数千个数据点，捕捉由诸如旋涂条纹、裂缝和污染物等缺陷所引起的复杂特性和变化，而且无需制造数千个太阳能电池。

“凯文的方法有可能加快光伏发展的进程，”李的顾问兼研究合著者苏珊娜·索恩（Susanna Thon）说道，她是约翰·霍普金斯大学怀廷工程学院电气和计算机工程的副教授，同时也是该校拉尔夫·奥康纳可持续能源研究所的副所长。

“凯文凭借他的[机器学习]算法，如今不必在众多设备上费劲地进行多次测量来知晓您想了解的设备行为，仅通过一次约 30 秒的测量，就能把有关设备及其特性的您想知道的一切都告诉您。”

“李的系统还有一个新颖之处在于，它能获取太阳能电池的数据空间图，并且将其转化为图像。”

“通常来讲，在造出新的太阳能电池后，您所获得的最常见的测量之一被称作 JV 曲线，它的作用在于测量电池对光的反应，”李说道。

“我们产生了把这些 JV 曲线图转化为图像的念头，如此一来，我们便能借助并非为材料科学，而是为计算机视觉应用所开发的先进机器学习模型，去洞悉太阳能电池行为里的模式。”

“新方法的另一个优点在于，它能够应用于太阳能电池之外的各类材料和设备，或许能加快从材料发现到投入市场的进程。”

“从理论上讲，我们研发的系统能够用于测量其他设备，像晶体管和光传感器，”李说道。“节省下来的时间以及这个系统的精准性或许会促使各种各样的新技术更快地被创造出来，我很期待看到这种情况。”