<太阳能电池领域近期迎来一项值得关注的突破性进展。德国科学家团队成功展示了如何借助人工智能，攻克过氧化物太阳能电池大规模制造中的关键难题。这项研究成果已发表于《先进材料》（Advanced Materials）期刊，核心思路在于：将深度学习与可解释AI相结合，精准识别半导体薄膜形成过程中那些肉眼无法捕捉的微妙变化。这意味着，这一极具前景的光伏技术距离真正的工业化生产又迈出了坚实一步。 < img src="http://img.318050.com/uploads/20260528/17799796356a18557303202334045697.webp" alt="人工智能AI如何实现大规模制造过氧化物太阳能电池呢？" /> ### 关注结晶 首先关键在于一个核心环节：结晶过程。过氧化物半导体是一种由三种或更多元素（通常还包含有机成分）构成的材料，必须排列成特定的晶体结构。由极薄的过氧化物层与硅等传统光伏材料组成的串联电池，其理论效率可达33%。然而，问题十分突出——这种电池对潮湿和光照敏感，降解速度较快，而且迄今为止，几乎无法实现无缺陷的大规模生产。 因此，本次研究的切入点非常精准：聚焦制造过程中最关键的一步——过氧化物薄膜的结晶过程。这项工作由卡尔斯鲁厄理工学院的乌尔里希·佩措尔德（Ulrich Paetzold）与德国癌症研究中心互动机器学习小组的保罗·耶格尔（Paul Jäger）共同牵头。他们利用AI来解析结晶过程的成败关键。 研究团队指出，这一过程的成败取决于大量参数——材料本身、实验设备、制造工艺，各种因素都必须调整到最佳状态。而且，这些最佳参数往往具有“一地一策”的特点，换一个实验室就可能需要从头摸索。更棘手的是，即使参数设定看起来完全相同，结果也常常存在差异，因为环境条件的变化微小到人类操作员根本无法察觉。 佩措尔德团队并非首个想到用AI优化这一过程的团队。此前已有科学家利用机器学习来优化过氧化物的类型、晶体结构或带隙。但那些早期工作有一个共同局限：只关注薄膜本身。 ### 全面的人工智能方法 这次的新研究截然不同。它将目光投向薄膜制造的整个流程，把深度学习（用于挖掘输入参数到输出结果之间的复杂关联）与多种“可解释AI”技术相结合，让AI不仅能进行计算，还能让人类理解其运算逻辑。 具体实验过程如下：团队分析了1000多片由金属卤化物过氧化物制成的薄膜，记录了它们在干燥和结晶过程中的全部光致发光信号（用蓝色LED灯照射薄膜，然后拍摄其发出的光）。这些视频素材来源于他们先前的研究积累。 思路非常清晰：用一部分视频来训练神经网络。简而言之，将每段视频中的光致发光强度作为输入，同时设定两个输出目标——最终太阳能电池的转换效率以及薄膜的平均厚度。训练完成后，再用剩余的视频数据测试，验证网络能否准确预测电池效率和薄膜厚度。 结果令人满意。他们发现，相比于人类在特定时间点分析光致发光数据，AI视频分析能够提供的信息量要大得多。尤其是，AI能够明确指出：在制造过程中，薄膜在哪个阶段的光致发光强度对最终质量最具“说服力”。反过来，这又揭示了另一个关键点：为了让过氧化物顺利结晶，整个制造过程中真空度应该如何精确升降。 ### “离工业化”更近一步 佩措尔德团队认为，这项技术使社会“离过氧化物太阳能电池的工业化更近了一步”。他们的原话是：“我们只需要分析视频数据集，就能推导出可行的建议，完全不需要进行大量昂贵的试错实验。” 当然，他们坦诚地指出了局限性。首先，网络预测电池效率的准确度低于预测薄膜厚度——原因也很简单：后续还有多道生产步骤，每个环节都可能引入瑕疵。其次，与所有基于AI的方法一样，这种方法极度依赖训练数据的数量和质量。 此外，还有一个限制因素：空间分辨率的问题。如果能够使用扫描电子显微镜等更精细的工具观察结晶过程，或许能更好地发现特定的晶体缺陷。但在生产现场，目前尚无法实现这一目标。不过，团队认为这并不是不可逾越的障碍——只要排除后道工序的影响，那些“观察不到的关键参数”和“混杂因素”出现的概率实际上很低。