編輯/凱霞
為了製造能夠從陽光中汲取每一點能量的太陽能電池，研究人員依靠計算機建模工具。這些模擬器可以讓他們評估設備結構、材料使用和不同材料層厚度等參數的細微調整對最終功率輸出的影響。
目前，已有一些可免費獲得的太陽能電池模擬器包，但是這些工具仍然很慢，並且不允許研究人員同時優化不同的設計參數。
來自麻省理工學院和 Google Brain 的一組研究人員新開發的軟件可以簡化太陽能電池的優化和發現。介紹了一種基於漂移擴散模型和用於光吸收的 Beer-Lambert 定律的端到端可微分光伏（PV）電池模擬器。∂ PV 不僅能夠計算太陽能電池的效率，還能夠計算其相對於用戶設置的任何材料屬性的導數。
這種新的計算工具可以對光伏電池進行廣泛、高效的材料優化，並且可以與標準優化方法或機器學習算法結合使用。
該研究以「∂PV: An end-to-end differentiable solar-cell simulator」為題，發表在《Computer Physics Communications》雜誌上。
可微分太陽能電池模擬器
傳統的計算工具將特定太陽能電池設計的變量作為輸入，然後輸出最終的額定功率。
在這項工作中，研究人員提出了PV，這是一種用於 PV 電池的一維模擬工具，它使用 JAX 自動微分（AD）包來求解漂移擴散方程。使用 AD 和隱函數定理，計算輸入 PV 設計的功率轉換效率（PCE）以及 PCE 相對於任何輸入參數的導數，所有這些都在解決前向問題的可比時間內完成。
PV 補充了現有的基於 AD 的求解器，並且依靠這些工具的可組合性，有可能實現更高級的多物理場仿真的端到端可微性。
有了新軟件，「我們提供輸出，但也顯示了如果我們改變任何輸入參數，效率將會如何改變，」麻省理工學院研究科學家 Giuseppe Romano 說。「你可以連續更改輸入參數，並查看輸出如何變化的梯度。」
這就減少了開發人員運行這些耗時且需要大量計算的模擬的次數。「你只需進行一次模擬，就會自動獲得所需的所有信息，」他說。「這就是這種方法的美妙之處。」
兩種方式助力太陽能電池開發
新工具可以通過兩種方式幫助太陽能電池開發。首先是優化，Romano說：「假設一個行業參與者想要製造高性能太陽能電池，但不知道吸光材料對整體效率的影響。」這種材料層通常有一個最佳厚度，可以從它吸收的光中產生最多的電荷載流子。該軟件將幫助定義最優參數，使效率最大化。
該軟件同樣可以用於評估其他變量的最佳值，例如材料層的摻雜量、帶隙或絕緣層的介電常數。
該工具的另一種作用方式是對現有太陽能電池進行逆向工程。在這種情況下，研究人員可以測量太陽能電池的 I-V 曲線（為每個電壓提供電流的函數），並使用模擬器將這些實驗測量值配對。根據數據，該軟件可以幫助計算未知的特定材料參數的值。
研究案例
接下來，研究人員展示了鈣鈦礦太陽能電池優化和多參數發現的示例，並將結果與隨機搜索和有限差分進行比較。
傳統上，太陽能電池優化是通過各種無梯度黑盒優化技術完成的，例如粒子群和遺傳算法。在沒有任何額外信息的情況下，太陽能電池模擬器被視為黑匣子，優化成為一項數據密集型任務。特別是，同時優化多個參數的結合通常是棘手的。隨着解析梯度的引入，一系列完善的非線性優化算法變得可用。
為了說明這一點，以優化 p-i-n 鈣鈦礦電池為例。對於非線性約束優化問題，選擇順序最小二乘規劃（SLSQP）方法。SLSQP 已經在幾個開源工具中實現，包括 Optim、NLOpt、PyOpt 和 Scipy。對於這項工作，選擇了最後一項。
從 PCE 為 6.49% 的隨機抽樣初始設計開始，該算法僅在 306 次 PDE 求解後終止，達到 PCE 為 21.62% 的最佳點。這高於所有 200 個隨機抽樣設計的結果，後者相當於大約 4000 個 PDE 求解。
留言列表