人工智能技术有助于科学家改进高效太阳能电池的制造工艺，为其他各个研究领域提供了蓝本。过氧化物串联太阳能电池代表了一种先进的混合技术，它将过氧化物太阳能电池与通常由硅制成的传统太阳能电池融合在一起。这种创新方法站在了太阳能技术的最前沿，效率超过 33%，大大超过了标准硅太阳能电池。
此外，它们使用的原材料价格低廉，易于制造。要达到这一效率水平，必须生产极薄的高级过氧化物层，其厚度仅为头发丝的一小部分。
在 KIT 微结构技术研究所和光技术研究所从事研究工作的终身教授 Ulrich W. Paetzold 说："使用低成本和可扩展的方法制造这种没有任何缺陷或孔洞的高级多晶体薄层是最大的挑战之一。"
在人工智能方法的辅助下，研究人员正在努力改进高效过氧化物太阳能电池的制造工艺
即使在看似完美的实验室条件下，也可能存在导致半导体层质量变化的未知因素，Paetzold 解释说："这一缺陷最终阻碍了这些高效太阳能电池工业化生产的快速启动，而这正是能源转型所急需的。"
人工智能发现有效镀膜的隐藏迹象
为了找到影响涂层的因素，由 KIT 的包晶体太阳能电池专家组成的跨学科团队与海德堡 DKFZ 的亥姆霍兹成像和亥姆霍兹人工智能的机器学习和可解释人工智能 (XAI) 专家联手合作。
研究人员开发了人工智能方法，利用一个庞大的数据集对神经网络进行训练和分析。该数据集包括视频记录，显示了制造过程中包晶石薄层的光致发光。光致发光是指半导体层被外部光源激发后发出的辐射。
来自 DKFZ Helmholtz Imaging 公司的 Lukas Klein 和 Sebastian Ziegler 解释说："由于即使是专家也看不出薄层上有什么特别之处，因此我们萌生了训练机器学习（深度学习）人工智能系统的想法，以便从数百万个视频数据项中检测出涂层好坏的隐藏迹象。"
为了过滤和分析深度学习人工智能系统输出的广泛分散的迹象，研究人员随后采用了可解释人工智能的方法。
后续研究的蓝图
研究人员通过实验发现，光致发光在生产过程中会发生变化，这种现象会对涂层质量产生影响。
Klein 和 Ziegler 说："我们工作的关键是有针对性地使用 XAI 方法，以了解必须改变哪些因素才能获得高质量的太阳能电池。这不是通常的方法。在大多数情况下，XAI 只被用作一种护栏，以避免在建立人工智能模型时出现错误。这是一种范式的改变： 以如此系统的方式获得与材料科学高度相关的见解是一种全新的体验"。
事实上，正是从光致发光变化中得出的结论让研究人员得以迈出下一步。在对神经网络进行了相应的训练之后，人工智能能够根据制造过程中哪个环节出现的光发射变化，预测每块太阳能电池的效率是低还是高。
Ulrich W. Paetzold 强调说："这些结果非常令人兴奋。得益于人工智能的结合使用，我们有了可靠的线索，知道了首先需要改变哪些参数才能提高产量。现在，我们能够以更有针对性的方式进行实验，而不再是盲目地大海捞针。这是后续研究的蓝图，也适用于能源研究和材料科学的许多其他方面"。