🔬 materials science

Quantifying Perovskite Solar Cell Degradation via Machine Learning from Spatially Resolved Multimodal Luminescence Time Series

यह शोध पत्र LumPerNet प्रस्तुत करता है, जो स्थानिक रूप से विभेदित मल्टीमॉडल ल्यूमिनेसेंस छवियों का विश्लेषण करके पेरोव्स्काइट सौर कोशिकाओं की दक्षता प्रतिधारण (efficiency retention) को सटीक रूप से परिमाणित करने वाला एक डीप-लर्निंग फ्रेमवर्क है, जिससे तीव्र, गैर-आक्रामक क्षरण निगरानी और त्वरित स्थिरता परीक्षण सक्षम होता है।

मूल लेखक: Giulio Barletta, Simon Ternes, Saif Ali, Zohair Abbas, Chiara Ostendi, Marialucia D'Addio, Erica Magliano, Pietro Asinari, Eliodoro Chiavazzo, Aldo Di Carlo

प्रकाशित 2026-03-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Giulio Barletta, Simon Ternes, Saif Ali, Zohair Abbas, Chiara Ostendi, Marialucia D'Addio, Erica Magliano, Pietro Asinari, Eliodoro Chiavazzo, Aldo Di Carlo

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: "एजिंग" (बुढ़ापे) की समस्या

कल्पना कीजिए कि पेरोव्स्काइट सोलर सेल्स (PSCs) हाई-परफॉर्मेंस रेस कारें हैं। वे अविश्वसनीय रूप से तेज़ और कुशल हैं (वे सूर्य के प्रकाश को बिजली में बदलने में लगभग किसी भी अन्य चीज़ से बेहतर हैं), लेकिन उनकी एक प्रतिष्ठा है कि वे बहुत नाजुक होते हैं। एक मजबूत टोयोटा कैमरी (सिलिकॉन सोलर सेल्स) की तरह नहीं जो बिना किसी समस्या के 20 साल तक चल सकती है, ये रेस कारें बहुत अधिक नमी, गर्मी होने पर या यदि उन्हें बहुत ज़ोर से चलाया जाए, तो खराब हो सकती हैं या अपनी गति खो सकती हैं।

वैज्ञानिकों के लिए बड़ा सवाल यह है: "हम यह कैसे जान सकते हैं कि एक रेस कार कब टूटने वाली है, बिना उसे खोलकर देखे और महंगे, समय लेने वाले डायग्नोस्टिक टेस्ट किए?"

वर्तमान में, सोलर सेल के स्वास्थ्य की जांच करने के लिए, इंजीनियरों को इसे तारों से जोड़ना पड़ता है और जटिल विद्युत परीक्षण (जैसे डॉक्टर द्वारा फुल ब्लड पैनल चलाना) करने पड़ते हैं। यह धीमा, महंगा है और यह नहीं बताता कि कार के किस हिस्से में इंजन लड़खड़ा रहा है।

समाधान: एक "स्मार्ट कैमरा" डॉक्टर

यह पेपर इन सोलर सेल्स के स्वास्थ्य की जांच करने का एक नया तरीका पेश करता है जिसमें AI और विशेष कैमरों का उपयोग किया गया है। तारों के बजाय, वे प्रकाश का उपयोग करते हैं।

सोलर सेल को एक चमकते हुए जेलीफिश के रूप में सोचें। जब आप इसे चुभाते हैं या इस पर रोशनी डालते हैं, तो यह चमकता है।

इलेक्ट्रोल्यूमिनेसेंस (EL): आप इसे एक छोटा सा इलेक्ट्रिक शॉक देते हैं, और यह अंदर से बाहर की ओर चमकता है।
फोटोल्यूमिनेसेंस (PL): आप इस पर नीली रोशनी डालते हैं, और यह वापस चमकता है।

शोधकर्ताओं ने एक कस्टम रोबोट लैब बनाई है जो इन चमकते हुए सेल्स की उम्र बढ़ने (5 से 70 घंटों के दौरान) के दौरान फोटो लेती है। वे हर चरण में तीन अलग-अलग प्रकार के "ग्लो फोटोज" लेते हैं:

EL: "इलेक्ट्रिक ग्लो" (विद्युत चमक)।
PLoc: "ओपन-सर्किट ग्लो" (जैसे जेलीफिश आराम कर रही हो)।
PLsc: "शॉर्ट-सर्किट ग्लो" (जैसे जेलीफिश कड़ी मेहनत कर रही हो)।

AI: "लुमपरनेट" (LumPerNet)

टीम ने एक कंप्यूटर दिमाग (एक डीप लर्निंग मॉडल जिसे उन्होंने LumPerNet नाम दिया) को प्रशिक्षित किया ताकि वह इन चमकते हुए फोटो को देख सके और अनुमान लगा सके कि सोलर सेल में कितनी शक्ति बची है।

उपमा (Analogy):
कल्प_िए कि आप अनुमान लगाने की कोशिश कर रहे हैं कि एक मैराथन धावक कितना थका हुआ है।

पुराना तरीका (केवल तीव्रता-आधारकी): आप केवल धावक की समग्र चमक देखते हैं। "वे थोड़े धुंधले दिख रहे हैं, इसलिए वे थके हुए होंगे।" यह ठीक है, लेकिन बहुत सटीक नहीं है।
नया तरीका (LumPerNet): आप उनके पसीने के पैटर्न, मांसपेशियों के कांपने के तरीके और उन विशिष्ट स्थानों को देखते हैं जहाँ वे लड़खड़ा रहे हैं। आप उनकी वर्तमान "चमक" की तुलना उस फोटो से करते हैं जब वे शुरुआती रेखा पर ताज़ा थे।

AI ने सीखा कि स्थानिक पैटर्न (Spatial Patterns) (जहाँ प्रकाश मंद हो रहा है या आकार बदल रहा है) केवल कुल चमक की तुलना में कहीं अधिक समृद्ध कहानी बताते हैं। यह एक धावक के पैर के लंगड़ाने (एक विशिष्ट दोष) को नोटिस करने जैसा है, बजाय इसके कि केवल यह कहना कि "वे धीमे दिख रहे हैं।"

मुख्य निष्कर्ष ("अहा!" क्षण)

1. वॉल्यूम (मात्रा) से अधिक स्थान मायने रखता है
शोधकर्ताओं ने पाया कि केवल पूरे सेल की चमक मापने (जैसे किसी गाने की वॉल्यूम मापना) से काम नहीं चलता था। AI को प्रकाश का मैप देखने की आवश्यकता थी। प्रकाश के क्षरण (degradation) के विशिष्ट पैटर्न को देखकर (जैसे किसी विशिष्ट कोने में दरार बनना), AI बहुत अधिक सटीकता के साथ सेल की दक्षता का अनुमान लगा सका।

परिणाम: AI ने पुराने "केवल चमक मापने" वाले तरीके की तुलना में अपने भविष्यवाणी त्रुटियों (prediction errors) को लगभग 25% कम कर दिया।

2. आपको तीन दृष्टिकोणों की आवश्यकता है
AI सबसे अच्छा तब काम करता है जब वह तीनों प्रकार के ग्लो फोटोज (EL, PLoc, और PLsc) को एक साथ देखता है।

उपमा: यह एक मरीज का निदान करने जैसा है। यदि आप केवल उनके दिल की धड़कन सुनते हैं (एक मोडालिटी), तो आप फेफड़ों की समस्या मिस कर सकते हैं। यदि आप केवल उनकी त्वचा को देखते हैं (दूसरी मोडालिटी), तो आप बुखार को मिस कर देते हैं। लेकिन यदि आप एक साथ EKG, त्वचा की जांच और फेफड़ों की जांच करते हैं, तो आपको पूरी तस्वीर मिलती है।
आश्चर्य: कुछ संयोजनों ने अन्य की तुलना में बेहतर काम किया। उदाहरण के लिए, "इलेक्ट्रिक ग्लो" को "हार्ड वर्किंग ग्लो" के साथ मिलाना एक विजेता टीम थी, जबकि अन्य संयोजन AI के लिए भ्रमित करने वाले थे।

3. यह उम्र बढ़ने की "कहानी" को ट्रैक कर सकता है
AI केवल एक सिंगल ग्रेड नहीं देता; यह सेल को उम्र बढ़ते हुए देख सकता है। पेपर उन ग्राफ्स को दिखाता है जहाँ AI का अनुमान (नीली रेखा) वास्तविक प्रदर्शन गिरावट (गुलाबी रेखा) का बारीकी से पीछा करता है, जैसे-जैसे सेल पुराना होता जाता है। इसने सफलतापूर्वक भविष्यवाणी की कि कुछ सेल स्थिर थे जबकि अन्य तेजी से गिर रहे थे, और यह सब केवल बदलते चमक पैटर्न को देखकर संभव हुआ।

यह क्यों मायने रखता है

यह सौर ऊर्जा के भविष्य के लिए एक गेम-चेंजर है।

गति: इलेक्ट्रिकल टेस्ट के लिए दिनों तक इंतजार करने के बजाय, आप कुछ फोटो खींच सकते हैं और तुरंत हेल्थ रिपोर्ट प्राप्त कर सकते हैं।
सुरक्षा: यह नॉन-इनवेसिव (गैर-आक्रामक) है। आपको सेल को तारों से छूने की आवश्यकता नहीं है, जो इसे गलती से नुकसान पहुँचाने से रोकता है।
स्केलेबिलिटी (व्यापकता): इस विधि को कारखाने में कन्वेयर बेल्ट पर लगाया जा सकता है। जैसे ही सोलर पैनल उत्पादन लाइन से निकलते हैं, एक कैमरा उन्हें स्कैन कर सकता है, और AI तुरंत उन पैनलों को फ्लैग कर सकता है जो पहले से ही खराब होने लगे हैं या जिनमें छिपे हुए दोष हैं।

निचोड़ (The Bottom Line)

शोधकर्ताओं ने एक "स्मार्ट कैमरा" बनाया है जो सोलर सेल्स की फीकी पड़ती चमक को पढ़ना सीखता है। AI का उपयोग करके यह देखना कि प्रकाश कहाँ और कैसे बदल रहा है (केवल यह देखने के बजाय कि वह कितना चमकीला है), वे बिल्कुल सटीक भविष्यवाणी कर सकते हैं कि एक सोलर सेल में कितनी शक्ति बची है। यह सस्ते, तेज़ और अधिक विश्वसनीय सोलर पैनलों का मार्ग प्रशस्त करता है जिन्हें हम लंबे समय तक चलने के लिए भरोसा कर सकें।

यहाँ शोध पत्र "Quantifying Perovskite Solar Cell Degradation via Machine Learning from Spatially Resolved Multimodal Luminescence Time Series" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पेरोव्स्काइट सौर सेल (PSCs) ने उल्लेखनीय पावर कन्वर्जन एफिशिएंसी (PCE >27%) हासिल की है, लेकिन उनकी व्यावसायिक व्यवहार्यता परिचालन स्थिरता (operational stability) संबंधी समस्याओं के कारण बाधित है। सिलिकॉन PV के विपरीत, PSCs पर्यावरणीय तनावों (नमी, ऑक्सीजन, UV, ऊष्मा) के प्रति अत्यधिक संवेदनशील होते हैं, जिससे आयन प्रवासन (ion migration), चरण संक्रमण (phase transitions) और इंटरफेशियल प्रतिक्रियाओं से जुड़ी जटिल क्षरण प्रक्रियाएं उत्पन्न होती हैं।

वर्तमान निगरानी विधियों के सामने दो मुख्य सीमाएँ हैं:

विद्युत लक्षण वर्णन (J-V sweeps): सटीक तो है लेकिन समय लेने वाला है, निरंतर निगरानी के लिए विनाशकारी है, और इसमें स्थानिक रिज़ॉल्यूशन (spatial resolution) का अभाव है (यह स्थानीयकृत क्षरण हॉटस्पॉट्स की पहचान नहीं कर सकता)।
मौजूदा इमेजिंग: हालांकि सिलिकॉन के लिए इलेक्ट्रोल्यूमिनेसेंस (EL) और फोटोल्यूमिनेसेंस (PL) इमेजिंग का उपयोग किया जाता है, लेकिन PSCs के लिए इनका अनुप्रयोग अभी भी कम खोजा गया है। पिछले अध्ययन अक्सर एकल समय-बिंदुओं या वैश्विक तीव्रता औसत (global intensity averages) पर निर्भर करते हैं, जो विशिष्ट क्षरण तंत्रों के साथ सह-संबंधित स्थानिक रूप से रिज़ॉल्व्ड पैटर्न (spatially resolved patterns) को पकड़ने में विफल रहते हैं।

मुख्य चुनौती: PSCs की उम्र बढ़ने (aging) के दौरान एफिशिएंसी रिटेंशन ( $R_{PCE}$ ) की भविष्यवाणी करने के लिए एक तेज़, गैर-आक्रामक और स्थानिक रूप से रिज़ॉल्व्ड विधि विकसित करना कैसे किया जाए, जो केवल वैश्विक तीव्रता ह्रास (global intensity decay) से आगे बढ़कर जटिल स्थानिक क्षरण हस्ताक्षरों (spatial degradation signatures) का लाभ उठा सके।

2. कार्यप्रणाली (Methodology)

लेखक एक डीप-लर्निंग फ्रेमवर्क प्रस्तावित करते हैं जिसे LumPerNet कहा जाता है, जो मल्टीमॉडल ल्यूमिनेसेंस इमेजिंग टाइम सीरीज़ से सीधे $R_{PCE}$ की भविष्यवाणी करता है।

A. प्रयोगात्मक सेटअप और डेटा अधिग्रहण

डिवाइस: तीन बैचों (आर्किटेक्चर A: CsFMA के दो बैच; आर्किटेक्चर B: FACs का एक बैच) में 59 PSCs।
एजिंग प्रोटोकॉल: उपकरणों को एक कस्टम-निर्मित स्वचालित प्लेटफॉर्म पर 30°C परिवेशी वायु (परिवर्तन को तेज करने के लिए बिना एनकैप्सुलेटेड) में एज किया गया था।
मल्टीमॉडल इमेजिंग: विशिष्ट समय अंतराल पर, सिस्टम ने प्राप्त किया:
1. EL: फॉरवर्ड बायस (1.5 V) के तहत इलेक्ट्रोल्यूमिनेसेंस।
2. $PL_{oc}$ : ओपन-सर्किट स्थितियों के तहत फोटोल्यूमिनेसेंस।
3. $PL_{sc}$ : शॉर्ट-सर्किट स्थितियों के तहत फोटोल्यूमिनेसेंस।
4. रेफरेंस: सभी मोड $t=0$ (प्रारंभिक अवस्था) पर प्राप्त किए गए थे और उन्हें एज्ड अवस्थाओं ( $t>0$ ) के साथ जोड़ा गया था।
ग्राउंड ट्रुथ (Ground Truth): $R_{PCE}$ को इंडोर J-V स्वीप से प्राप्त $PCE(t) / PCE(0)$ के रूप में गणना किया गया था।
डेटासेट: 12,258 युग्मित नमूने (एज्ड इमेज + रेफरेंस इमेज) जिन्हें स्थिर क्षरण ( $R_{PCE} \in [0.8, 1.2]$ ) पर केंद्रित करने के लिए प्रतिबंधित किया गया था, न कि क्षणिक स्पाइक्स पर।

B. डेटा प्रीप्रोसेसिंग

सुधार (Correction): डार्क-फील्ड सबट्रैक्शन, हॉट-पिक्सेल रिमूवल, और ROI का $72 \times 72$ पिक्सल तक स्थानिक क्रॉपिंग।
इनपुट टेंसर निर्माण: प्रत्येक समय चरण $t$ $t$ के लिए, इनपुट टेंसर $x(t)$ $x (t)$ में शामिल है:
- एब्सोल्यूट इमेज: $EL(t), PL_{oc}(t), PL_{sc}(t)$ और उनके रेफरेंस $EL(0), PL_{oc}(0), PL_{sc}(0)$ ।
- रेश्यो चैनल्स: तीव्रता परिवर्तनों को सामान्य करने और सापेक्ष स्थानिक क्षरण को उजागर करने के लिए पिक्सेल-वार अनुपात $I(t)/I(0)$ ।

C. मशीन लर्निंग फ्रेमवर्क

मॉडल आर्किटेक्चर (LumPerNet): एक कॉम्पैक्ट कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) बैकबोन जिसके बाद एक मल्टीलेयर पर्सेप्ट्रॉन (MLP) रिग्रेसर है।
- इनपुट: स्टैक्ड मल्टीमॉडल इमेज टेंसर।
- तंत्र: CNN रेफरेंस-करंट इमेज पेयर्स से स्थानिक विशेषताओं को निकालने के लिए बनाया गया है ताकि क्षरण हस्ताक्षरों को सीखा जा सके।
बेसलाइन मॉडल: एक उथला MLP जो उन्हीं मोडलिटीज के स्पेस-एवरेज्ड (ग्लोबल) इंटेंसिटी पर प्रशिक्षित है, जो स्थानिक रिज़ॉल्यूशन के मूल्य का परीक्षण करने के लिए एक कंट्रोल के रूप में कार्य करता है।
मूल्यांकन प्रोटोकॉल:
- लीकेज-अवेयर (Leakage-Aware): डेटा लीकेज को रोकने के लिए सख्त डिवाइस-लेवल स्प्लिटिंग (प्रशिक्षण/वैलिडेशन के लिए 80% डिवाइस, अलग-अलग 20% डिवाइस पर होल्ड-आउट टेस्ट) का उपयोग किया गया।
- क्रॉस-वैलिडेशन: प्रशिक्षण सेट पर 4-फोल्ड CV।
- मेट्रिक्स: मीन एब्सोल्यूट एरर (MAE), रूट मीन स्क्वायर एरर (RMSE), और कोएफिशिएंट ऑफ डिटरमिनेशन ( $R^2$ )।

3. प्रमुख योगदान (Key Contributions)

PSC क्षरण के लिए पहला मल्टीमॉडल टाइम-सीरीज फ्रेमवर्क: यह अध्ययन एक पाइपलाइन पेश करता है जो स्वचालित, स्थानिक रूप से रिज़ॉल्व्ड EL/PL टाइम सीरीज़ को मात्रात्मक विद्युत क्षरण मेट्रिक्स ( $R_{PCE}$ ) से जोड़ता है।
स्थानिक लाभ का प्रदर्शन: यह सिद्ध करता है कि स्थानिक रूप से रिज़ॉल्व्ड पैटर्न में ऐसी भविष्य कहने वाली जानकारी होती है जो वैश्विक तीव्रता औसत (global intensity averages) से छूट जाती है। CNN, इंटेंसिटी-ओनली बेसलाइन की तुलना में काफी बेहतर प्रदर्शन करता है।
व्यापक मोडलिटी एब्लेशन (Modality Ablation): लेखकों ने सिंगल- और पेयर्ड-मोडलिटी इनपुट्स पर एक विस्तृत अध्ययन किया, जिससे पता चला कि:
- मल्टीमोडलिटी मजबूत सामान्यीकरण (generalization) के लिए आवश्यक है।
- पूरक भौतिकी (Complementary Physics) चैनल संख्या से अधिक महत्वपूर्ण है: EL + $PL_{sc}$ या $PL_{oc} + PL_{sc}$ का संयोजन सबसे अच्छा प्रदर्शन करता है, जबकि EL + $PL_{oc}$ अस्थिर है। यह सुझाव देता है कि इंजेक्शन-आधारित (EL) और एक्सट्रैक्शन-आधारित ( $PL_{sc}$ ) संकेतों को मिलाने से पुनर्संयोजन (recombination) और आयन प्रवासन के पूरक दृश्य प्राप्त होते हैं।
पुनरुत्पादक पाइपलाइन: यह कार्य एक पूरी तरह से ओपन-सोर्स वर्कफ़्लो (GitHub पर कोड, Zenodo पर डेटा) प्रदान करता है जिसमें स्वचालित एजिंग, इमेज प्रोसेसिंग और मॉडल ट्रेनिंग शामिल है।

4. मुख्य परिणाम (Key Results)

प्रदर्शन श्रेष्ठता:
- LumPerNet (Multimodal CNN): MAE = 0.049, RMSE = 0.061, और $R^2 = 0.553$ प्राप्त किया।
- बेसलाइन (Intensity-only MLP): MAE = 0.064, RMSE = 0.082, और $R^2 = 0.136$ प्राप्त किया।
- सुधार: LumPerNet ने MAE में 23.4% और RMSE में 25.6% की कमी की, जबकि $R^2$ में 0.417 (लगभग 4.1 गुना सुधार) की वृद्धि की।
मजबूती (Robustness): बेसलाइन मॉडल ने फोल्ड्स के बीच उच्च परिवर्तनशीलता दिखाई (4 में से 2 रन में नकारात्मक $R^2$ ), जबकि LumPerNet स्थिर रहा, जो पुष्टि करता है कि अनदेखे उपकरणों तक सामान्यीकरण करने के लिए स्थानिक विशेषताएं महत्वपूर्ण हैं।
मोडलिटी एब्लेशन अंतर्दृष्टि:
- सिंगल मोडलिटीज (EL-only, $PL_{oc}$ -only, $PL_{sc}$ -only) सभी पूर्ण मॉडल की तुलना में काफी खराब प्रदर्शन करती हैं।
- EL + $PL_{sc}$ सबसे मजबूत द्वैत जोड़ी (Bimodal pair) थी (MAE 0.052), जो पूर्ण मॉडल के करीब है।
- EL + $PL_{oc}$ खराब प्रदर्शन करता था (MAE 0.060) और अस्थिर था, जो दर्शाता है कि ये दोनों मोडलिटीज समान भौतिक अवस्थाओं की जांच करती हैं और उनमें पूरक कंट्रास्ट की कमी है।
गुणात्मक ट्रैकिंग (Qualitative Tracking): मॉडल ने व्यक्तिगत उपकरणों के लिए समय के साथ विकसित होने वाले क्षरण पथों (degradation trajectories) को सफलतापूर्वक पुनर्गठित किया, जो धीमे ह्रास और मध्यम अस्थिरता को कैप्चर करता है, हालांकि इसने क्षणिक विद्युत स्पाइक्स को सुचारू (smooth out) कर दिया (जो स्थिरता निगरानी के लिए वांछनीय है)।

5. महत्व और प्रभाव (Significance and Impact)

त्वरित स्थिरता परीक्षण: यह फ्रेमवर्क बार-बार J-V स्वीप करने के बजाय एक गैर-आक्रामक, उच्च-थ्रूपुट विकल्प प्रदान करता है, जिससे विकास और निर्माण के दौरान PSC स्थिरता की तीव्र स्क्रीनिंग संभव होती है।
स्थानीयकृत निदान (Localized Diagnostics): स्थानिक रिज़ॉल्यूशन का लाभ उठाकर, यह विधि संभावित रूप से यह पहचान सकती है कि क्षरण कहाँ शुरू होता है (जैसे, किनारे, संपर्क, शंट), जो लक्षित डिवाइस आर्किटेक्चर और एनकैप्सुलेशन सुधारों के लिए मार्गदर्शन प्रदान करती है।
फिजिक्स-इन्फॉर्म्ड AI: परिणाम इस बात पर प्रकाश डालते हैं कि सामग्री विज्ञान के लिए सफल AI के लिए डेटा मोडलिटीज की भौतिक पूरकता (जैसे, इंजेक्शन और एक्सट्रैक्शन मोड को मिलाना) को समझना आवश्यक है, न कि केवल अधिक चैनल्स को जोड़ना।
स्केलेबिलिटी: दृष्टिकोण को फील्ड डिप्लॉयमेंट (जैसे, ड्रोन-आधारित इमेजिंग) और स्वचालित उत्पादन लाइनों के अनुकूल बनाया गया है, जो प्रयोगशाला अनुसंधान और वाणिज्यिक उपयोगिता-स्तर के PV डिप्लॉयमेंट के बीच के अंतर को पाटता है।

संक्षेप में, यह कार्य स्थापित करता है कि स्थानिक रूप से रिज़ॉल्व्ड मल्टीमॉडल ल्यूमिनेसेंस इमेजिंग, जब एक लीकेज-अवेयर डीप लर्निंग फ्रेमवर्क के माध्यम से संसाधित की जाती है, तो पेरोव्स्काइट सौर सेल के क्षरण को मापने और निगरानी करने के लिए एक शक्तिशाली उपकरण है, जो पारंपरिक वैश्विक तीव्रता मेट्रिक्स की तुलना में बेहतर प्रदर्शन करता है।