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

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：

1. MACl（甲胺氯化物）比例（0–80 mol%）

2. PbI₂（碘化鉛）比例（80–140 mol%）

3. 旋塗速度（2000–6000 rpm）

4. 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】

1. 自動化操作提升重複性與準確度，避免人為誤差

2. AI演算法可「邊做邊學」，減少實驗次數仍快速收斂至最佳解

3. 方法具擴展性，適用於其他新材料、半導體、光電元件等領域

4. 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

• Eguchi, N., Fukazawa, T., et al. (2025). Performance optimization of perovskite solar cells with an automated spin coating system and artificial intelligence technologies. EES Solar.

• AI革命：加速鈣鈦礦太陽能電池配方開發的未來

近期熱門文章：

• 【川普對等關稅下, 2025年全球太陽能貿易戰與供應鏈地緣重塑：台灣的策略定位】

• 突破性發展, 全球鈣鈦礦材料市場迅速擴張，2035年規模將突破百億美元

• MWC 2025：鈣鈦礦太陽能充電技術引領手機與筆電邁向綠色未來

• 台英跨國聯盟啟動石墨烯太陽能革命 億元級科研計畫劍指零碳未來

• 台鈣科再創紀錄！10x10 cm² 鈣鈦礦模組效率達 24.44%，綠能革命再加速