AI幫忙找出最強太陽能電池配方!研究團隊只測0.36%組合就突破21.4%效率
- tenlife2019
- 3天前
- 讀畢需時 3 分鐘
2025年,日本國立先進工業技術研究院(AIST)的Eguchi教授與研究團隊在《EES Solar》期刊發表最新研究成果。他們透過結合人工智慧(AI)與自動化旋塗設備,成功找出一組能讓鈣鈦礦太陽能電池達到高效率的新製程。這項創新技術不僅節省大量實驗時間,還讓太陽能電池的轉換效率突破21.4%,超越現有人工試驗所得的上限。

【研究動機與背景】
鈣鈦礦太陽能電池(Perovskite Solar Cells, PSCs)因具備高效率、低成本與可撓性等優勢,被視為未來太陽能發展的熱門材料。然而,如何在實驗過程中調整原料比例與製程條件以確保穩定性與高效率,一直是困難的技術挑戰。
傳統上,研究人員多依靠人工試誤或統計實驗法來尋找最佳條件,不僅耗時耗力,也容易因人為誤差導致結果不穩定。為了解決這個問題,Eguchi團隊導入貝葉斯最佳化(Bayesian Optimization, BO)這項AI技術,並結合自動化旋塗系統,使製程更加精準與高效。

【實驗設計與AI協助優化】
本研究針對以下四個製程參數進行優化:
MACl(甲胺氯化物)比例(0–80 mol%)
PbI₂(碘化鉛)比例(80–140 mol%)
旋塗速度(2000–6000 rpm)
退火溫度(70–150°C)
這四個條件彼此搭配,產生多達17,901種可能組合。團隊先隨機選出20組進行初步實驗,接著利用BO演算法每輪推薦5組新條件,共進行9輪,總共只測試65組條件,就找到效率高達21.4%的最佳組合,比他們先前用人工方法獲得的20.5%還要高。
【效能提升與數據觀察】
初始效率僅為12.6%,第7輪即提升至21.4%
使用螢光壽命分析(TRPL)顯示,優化條件下電子壽命更長,能量損耗顯著減少
薄膜表面粗糙度由0.084微米降至0.049微米,有助電荷順利傳導
自動化設備與AI演算法有效克服局部最佳解陷阱,最終導向全域最優化方案

【這項技術的四大亮點】
自動化操作提升重複性與準確度,避免人為誤差
AI演算法可「邊做邊學」,減少實驗次數仍快速收斂至最佳解
方法具擴展性,適用於其他新材料、半導體、光電元件等領域
僅需測試0.36%的條件就達到頂尖效率,節省時間與資源
【未來應用與展望】
這項成果為AI與材料科學整合的典範。Eguchi團隊證明,只要設計得宜,AI不但能加快研發速度,也能穩定地提升成果品質。未來若進一步結合模擬預測與資料庫學習,有機會打造出「自動化材料開發工廠」,將太陽能電池等綠能材料的研發推進至全新層次。
這項技術的突破不僅對學術界具啟發性,也對實際應用與量產有重要價值,對全球推動淨零排放與再生能源轉型具有深遠影響。
參考文獻
近期熱門文章:
Comments