Machine learning come strumento nel processo di upscaling delle celle solari a perovskite

Fin dall’inizio, la tecnologia fotovoltaica a perovskite ha mostrato caratteristiche competitive e promettenti come un elevato coefficiente di assorbimento, un trasporto di carica ambipolare, lunghi tempi di vita e lunghezza di diffusione dei portatori di carica, possibilità di modificare la bandgap da 1.1 a 2.3 eV, oltre che una bassa energia di legame degli eccitoni e tolleranza ai difetti. In un decennio l’efficienza della cella da laboratorio è salita dal 9.7% fino a superare il 26% nel caso di singola giunzione. Il passaggio da celle di piccola area (≤1 cm²) a moduli e pannelli è il necessario sviluppo per qualsiasi tecnologia fotovoltaica che mira ad essere sul mercato. Uno dei vantaggi della tecnologia fotovoltaica a perovskite è la possibilità di utilizzare le ben note ed economiche tecniche di stampa, come ad esempio le tecniche di slot-die (figura 1a) e blade-coating, per la deposizione degli strati coinvolti nell’architettura del modulo. Tuttavia, l’adattamento dei processi di deposizione dei moduli e della relativa composizione dei materiali ottimizzati per dispositivi di piccola area alla produzione di dispositivi su larga scala per uso commerciale è uno degli aspetti più impegnativi per il reale sfruttamento della tecnologia a perovskite. Poiché la natura policristallina degli strati di perovskite processati in soluzione induce difetti durante il processo di fabbricazione, il problema principale è trovare processi ottimizzati e scalabili per minimizzare le perdite e ridurre gli sprechi di materiale. Una comprensione dettagliata dei meccanismi di formazione del film di perovskite mediante l’adozione di tecniche di deposizione scalabili può portare la tecnologia fuori dai laboratori.

La maggior parte delle scoperte nella scienza dei materiali sono state ottenute utilizzando metodi empirici che consumano una quantità piuttosto elevata di risorse che per loro natura sono limitate. Tali risorse includono la forza lavoro, il costo dei materiali e il consumo energetico delle apparecchiature di laboratorio. Inoltre, l’uso di composti tossici limita la quantità di tempo in cui un operatore può lavorare in sicurezza. Poiché i parametri di processo legati alle differenti metodologie di fabbricazione e la composizione dei materiali utilizzati sono vasti, i metodi empirici di ottimizzazione risultano lenti e onerosi. L’emergere di tecniche di machine learning da utilizzare nella scienza dei materiali può aprire percorsi verso una sperimentazione più efficiente in termini di utilizzazione delle risorse in un arco di tempo più breve e quindi assistere il processo di upscaling delle celle solari a base di perovskite. Uno di questi percorsi è l’uso di immagini, generate mediante tecniche di imaging, semplici fotografie o scansioni ottiche, insieme a proprietà fisiche misurate per addestrare una rete di machine learning.

Numerose pubblicazioni hanno mostrato come con quantità sufficienti di dati, è possibile creare un modello in grado di prevedere le proprietà di interesse solo da un’immagine. Il tempo di caratterizzazione può diminuire fino all’ordine dei minuti, oltre all’elettricità necessaria per eseguire l’algoritmo per la previsione delle proprietà invece di utilizzare risorse di laboratorio per ore, che generalmente hanno un maggior consumo di energia elettrica.

Un esempio potrebbe essere la previsione della bandgap della perovskite o il suo assorbimento semplicemente scansionando otticamente un campione con uno scanner per documenti e passando l’immagine risultante attraverso una rete di elaborazione delle immagini che sia stata precedentemente “addestrata”. In tal caso, l’immagine catturata dallo scanner produrrebbe informazioni simili a quelle di una misurazione optoelettronica come una spettroscopia di fotoluminescenza (PL) o ultravioletto-visibile (UV-Vis). Va sottolineato che le previsioni del modello sono meno accurate delle misurazioni, ma dovrebbero fornire indicazioni sufficienti riguardo i parametri di fabbricazione da utilizzare per ottenere il “giusto” layer di perovskite.

Di seguito, viene presentato il recente lavoro pubblicato su Solar Energy da parte del CHOSE (Centre for Hybrid and Organic Solar Energy) Dipartimento di Ingegneria Elettronica dell’Università di Roma Tor Vergata, del TUM (Technical University of Munich) e del CNR-ISM (Istituto di Struttura della Materia), nell’ambito dei progetti Horizon/Solar-Era.net DIAMOND (101084124), ProperPhotoMile (786483) e UNIQUE (691664), sulle reti machine learning per la previsione sia della bandgap che dell’assorbimento partendo dalla scansione delle deposizioni di perovskite. I campioni di perovskite sono stati fabbricati utilizzando la tecnica di deposizione blade-coating in aria ambiente messa a punto dal CHOSE recentemente (figure 1b e 2).

L’architettura della rete neurale convoluzionale costruita è adatta per valutare entrambe le proprietà di interesse, producendo modelli con un errore medio pari all’8.3% (figura 3a).

In figura 3b è presente uno schema a blocchi dell’architettura di rete neurale convoluzionale (CNN) costruita in Python. È stato scelto questo tipo di rete perché progettato specificamente per gestire attività di riconoscimento delle immagini. La CNN è stata costruita in modo da accettare una coppia di scansioni come input, ovvero la parte anteriore e posteriore del campione che vengono inizialmente gestite in modo separato (CNN front and back wings). I due vettori in uscita dalle ali della CNN vengono poi concatenati e il vettore risultante viene fatto passare attraverso tre strati più densi per arrivare ad un unico output necessario per i compiti di regressione previsti. In questo modo si ottiene la stima della bandgap e dell’assorbimento del layer di perovskite.

Il database contiene 66 campioni, ciascuno dei quali è caratterizzato da 2 scansioni ottiche, 2 misurazioni PL, 3 misurazioni UV-Vis e 3 misurazioni di spessore (figura 2). La qualità dei film varia volontariamente in termini di copertura e difetti, il che è vantaggioso nella costruzione di un modello di machine learning, poiché la diversità dei dati aiuta a creare un algoritmo più generalizzabile. A causa del limitato numero di campioni, è stato utilizzato il processo di aumento dei dati per espandere il database senza dover effettivamente generare più punti. Esistono numerosi modi per eseguire l’aumento dei dati come capovolgere, ruotare o specchiare le immagini. Tali operazioni modificano la matrice dell’immagine in modo sufficiente da essere interpretata dall’algoritmo come un punto dati distinto. Sebbene l’aumento dei dati non abbia portato a miglioramenti sostanziali in termini di prestazioni, ha fatto sì che il processo di addestramento producesse risultati più coerenti.

I campioni non sufficientemente performanti possono essere scartati senza dover passare attraverso l’intero ciclo di fabbricazione e i parametri di processo potrebbero essere regolati in tempo reale per evitare una scarsa qualità della deposizione. Sostituendo le tecniche di misurazione automatizzate con il modello descritto sopra, le caratterizzazioni possono essere eseguite in meno tempo, aumentando la resa del campione del processo.

Il metodo risulta promettente per accelerare la ricerca sulle celle solari a perovskite incentrata sull’ottimizzazione dei parametri di fabbricazione di un particolare metodo di deposizione e basata sulla sintesi ricorrente di una particolare perovskite. Il suo pieno potenziale potrebbe essere esplorato raccogliendo un database più ampio (o relativo ad un altro materiale) e replicando il metodo con altre proprietà per verificarne la fattibilità e la coerenza.