AI-supported Degradation Study of Carbon-based Perovskite Solar Cells: Learning the Device Physics of Perovskite Solar Cells: A Drift-Diffusion Guided Autoencoder Approach

이 논문은 머신러닝 기반의 드리프트 - 확산 유도 오토인코더를 활용하여 탄소 전극 페로브스카이트 태양전지의 열화 과정에서 전하 수송 및 재결합 물리 파라미터를 실시간으로 추정하고, 이를 통해 측정된 J-V 곡선 분석과 디지털 트윈 시뮬레이션을 결합한 장치 물리 학습 방법을 제시합니다.

핵심

🌞 1. 연구의 배경: "태양전지의 노화 실험"

태양전지 (페로브스카이트) 는 기존 실리콘 태양전지보다 효율이 매우 좋아 '차세대 에너지의 꿈'으로 불립니다. 하지만 문제는 오래 쓰면 성능이 떨어진다는 것입니다. 마치 사람이 나이가 들면 피부가 처지거나 힘이 빠지는 것처럼요.

연구진은 두 개의 태양전지를 준비해서 23 일 동안 **가장 혹독한 조건 (빛을 계속 비추고 전기를 뽑아내는 상태)**에서 시험했습니다.

• A 전지: 최대 전력 지점 (MPP) 에서 계속 전기를 뽑아내는 상태.
• B 전지: 전기를 아예 뽑지 않고 전압만 유지하는 상태 (Voc).

그런데 여기서 재미있는 점이 있습니다. 보통은 전기를 계속 뽑아내는 A 전지가 더 빨리 고장 날 것 같지만, 이 연구에서는 전기를 아예 뽑지 않고 전압만 유지하던 B 전지가 훨씬 더 빠르게 망가졌습니다.

🕵️‍♂️ 2. 문제: "왜 망가졌는지 알 수 없다?"

태양전지가 망가질 때, 우리가 볼 수 있는 것은 단순히 전류 (J) 와 전압 (V) 의 그래프가 조금씩 변하는 것입니다.

• "아, 전압이 떨어졌네."
• "전류가 줄었네."

하지만 이 그래프만 보고 **"도대체 태양전지 내부에서 무슨 일이 일어나서 이렇게 된 거지?"**라고 추측하는 것은 매우 어렵습니다. 마치 **자동차 엔진 소음만 듣고 "내부 피스톤이 망가졌나, 아니면 오일이 부족할까?"**를 정확히 맞추는 것과 비슷합니다.

🤖 3. 해결책: "AI 가 내과 의사가 되다"

연구진은 이 문제를 해결하기 위해 인공지능 (AI) 을 '디지털 의사'처럼 훈련시켰습니다.

1. 가상 실험 (훈련): AI 에게 태양전지 내부의 다양한 부품 (전자 이동 속도, 재결합 속도, 이온 농도 등) 을 임의로 바꿔가며 수만 개의 '가상 태양전지'를 만들었습니다.
2. 학습: AI 는 "이런 내부 상태라면, 이렇게 변한 전류 - 전압 그래프가 나온다"는 패턴을 외웠습니다.
3. 진단: 이제 실제 망가진 태양전지의 그래프를 AI 에게 주면, AI 는 **"이 그래프를 만들려면 내부의 '전자 이동 속도'가 이만큼 느려졌고, '표면 결함'이 이만큼 생겼을 거야"**라고 추측해냅니다.

이를 **오토인코더 (Autoencoder)**라고 하는데, 복잡한 그래프를 보고 그 뒤에 숨겨진 '진짜 원인'을 찾아내는 마법 같은 도구입니다.

🔍 4. 발견된 사실: "내부에서 무슨 일이?"

AI 가 분석한 결과, 놀라운 사실들이 밝혀졌습니다.

• B 전지 (전압 유지 상태) 의 비극: 전기를 뽑지 않고 전압만 유지하던 상태에서는, 태양전지 내부의 **이온 (전하를 띤 입자)**들이 특정 곳에 뭉쳐버렸습니다. 마치 교통 체증처럼 말이죠. 이온들이 길을 막아서 전자가 움직이지 못하게 하고, 결국 태양전지의 성능을 급격히 떨어뜨렸습니다.
• 표면의 부식: 시간이 지날수록 태양전지 표면의 **재결합 (전자가 새어 나가는 현상)**이 심해졌습니다. 마치 방수 처리가 된 지붕이 낡아서 비가 새는 것과 같습니다.
• A 전지 (전력 추출 상태) 의 안정성: 전기를 계속 뽑아내던 A 전지는 오히려 상대적으로 안정적이었습니다. 전자가 계속 흘러나가면서 이온들이 뭉칠 틈을 주지 않았기 때문입니다.

💡 5. 결론: "디지털 트윈 (Digital Twin) 의 힘"

이 연구의 가장 큰 성과는 AI 가 예측한 수치들을 이용해 태양전지의 '디지털 쌍둥이 (Digital Twin)'를 만들었다는 점입니다.

• 실제 태양전지가 망가져가는 과정을 AI 가 예측한 수치로 시뮬레이션해보니, 실제 측정값과 거의 똑같은 그래프가 나왔습니다.
• 이는 우리가 태양전지를 분해하지 않고도, AI 가 내부의 미세한 변화 (이온 이동, 표면 결함 등) 를 실시간으로 감지할 수 있음을 의미합니다.

🚀 요약: 왜 이 연구가 중요할까?

이 연구는 **"태양전지가 고장 나기 전에, AI 가 내부의 병변을 찾아내서 치료법을 제안할 수 있다"**는 가능성을 보여줍니다.

• 과거: 태양전지가 망가진 후 "아, 고장 났네"라고 후회만 했습니다.
• 이제: AI 가 "내부 이온이 뭉치고 있어요, 표면이 부식되고 있어요"라고 알려주면, 연구자들은 어떤 재료를 더 잘 코팅해야 하고, 어떤 구조로 만들어야 오래 쓸 수 있는지 정확히 알 수 있게 됩니다.

결국 이 기술은 더 오래, 더 효율적으로 쓸 수 있는 태양전지를 개발하는 데 결정적인 지도가 되어줄 것입니다. 마치 자동차가 고장 나기 전에 "엔진 오일 교체 시기가 왔어요"라고 알려주는 스마트 시스템과 같은 역할을 하는 셈이죠.

기술 요약

논문 요약: AI 기반 탄소 전극 페로브스카이트 태양전지 (PSC) 의 열화 연구 및 드리프트 - 확산 가이드 오토인코더를 통한 소자 물리 학습

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 페로브스카이트 태양전지 (PSC) 는 실리콘 태양전지에 근접하는 높은 효율 (약 27%) 을 달성했으나, 장기적인 안정성과 열화 (Degradation) 문제는 여전히 해결되지 않은 과제로 남아있습니다. 특히 탄소 전극 기반 PSC 는 저비용과 높은 안정성 잠재력을 가지지만, 효율 저하 메커니즘의 정량적 이해가 필요합니다.
• 기존 연구의 한계: 인공지능 (AI) 을 활용한 기존 PSC 연구는 주로 전체 장치 성능 (PCE) 의 시간적 변화나 수명 (T80) 을 예측하는 데 집중했습니다. 이는 수명 예측에는 유용하지만, 어떤 물리적 파라미터가 변화하여 성능이 저하되는지 (예: 전하 수송 vs. 재결합, 이온 이동 등) 를 직접적으로 규명하거나 소자 개선에 기여하는 데는 한계가 있었습니다.
• 문제 정의: 열화 과정에서 중단 없이 실시간으로 측정하기 어려운 물리적 파라미터 (전하 이동도, 재결합 수명, 표면 재결합 속도 등) 의 변화를 추적하고, 이를 통해 열화 메커니즘을 규명할 수 있는 새로운 방법이 필요합니다.

2. 연구 방법론 (Methodology)

이 연구는 기계 학습 (ML) 과 물리 기반 시뮬레이션을 결합한 하이브리드 접근법을 사용했습니다.

• 실험 설계:
  • Solaronix 사의 탄소 전극 기반 PSC 두 개를 23 일간 (약 550 시간) 1 Sun 조도 하에서 가속 열화 테스트 수행.
  • 조건: 한 장치는 최대 전력점 (MPP) 추적, 다른 장치는 개방 회로 전압 (Voc) 추적 조건에서 스트레스를 가함.
  • 매일 다양한 스캔 속도 (0.005 ~ 100 V/s) 에 따른 전류 - 전압 (J-V) 곡선 측정.
• 물리 모델 (Drift-Diffusion Simulation):
  • FTO/TiO2/메조포러스 페로브스카이트/ZrO2/탄소 구조의 1 차원 드리프트 - 확산 (DD) 모델을 사용.
  • 표면 재결합 속도 ($S$), 전하 이동도 ($\mu$), 재결합 수명 ($\tau$), 이온 농도 ($\rho_{Ion}$) 등 6 가지 주요 물리 파라미터를 무작위로 변형하여 50,000 개의 시뮬레이션 데이터 생성.
• 기계 학습 모델 (Drift-Diffusion-Guided Autoencoder):
  • 아키텍처: 인코더 - 디코더 구조의 오토인코더 (Autoencoder, AE) 사용.
  • 학습 전략:
    1. 재구성 손실 (Reconstruction Loss): 입력된 J-V 곡선과 AE 가 재구성한 J-V 곡선의 차이 최소화.
    2. 물리 파라미터 손실 (Parameter Loss): 시뮬레이션에서 알려진 실제 파라미터 값과 AE 의 잠재 공간 (Latent Space) 에서 추론된 파라미터 값의 차이 최소화.
  • 목적: J-V 곡선 입력으로부터 물리 파라미터를 직접 추정할 수 있도록 지도 학습 (Supervised Learning) 을 수행하여 "블랙박스" 문제를 해결하고 파라미터의 물리적 의미를 부여.

3. 주요 결과 (Key Results)

• 열화 징후 관측:
  • MPP 추적 장치: 초기 효율의 90% 를 유지했으나, 표면 재결합 속도 ($S$) 가 증가하는 경향을 보임.
  • Voc 추적 장치: 더 심각한 열화 발생. $V_{OC}$ 감소 (0.88V → 0.84V) 와 $J_{SC}$ 급격한 감소 관찰.
• AI 를 통한 파라미터 추정 및 물리적 해석:
  • 표면 재결합 속도 ($S$): 두 장치 모두 시간이 지남에 따라 $S$가 증가 (MPP: ~50 cm/s, Voc: ~100 cm/s). 이는 계면 열화 또는 다공성 구조의 표면적 증가로 인한 재결합 경로 확대를 시사함.
  • 전하 이동도 ($\mu$) 및 수명 ($\tau$):
    • MPP 장치: 이동도 ($\mu$) 감소와 수명 ($\tau$) 증가가 상쇄되어 확산 길이 ($L = \sqrt{\mu\tau}$) 는 일정하게 유지됨. 이는 $J_{SC}$의 안정성과 일치.
    • Voc 장치: 초기에는 $J_{SC}$가 급격히 감소했으나, 이후 $\mu$와 $\tau$의 변화 추이가 복잡하게 나타남.
  • 이온 관련 파라미터: 이온 농도 ($\rho_{Ion}$) 와 이온 이동도 ($\mu_C$) 는 실험 오차 범위 내에서 큰 변화가 없었음. 이는 열화의 주된 원인이 이온 농도 변화가 아니라 재결합 메커니즘의 변화임을 시사.
• 디지털 트윈 (Digital Twin) 시뮬레이션:
  • AI 로 추정된 파라미터를 DD 모델에 입력하여 가상 장치를 재현.
  • 초기에는 측정값과 잘 일치했으나, 시간이 지남에 따라 (특히 Voc 장치) 시뮬레이션과 측정값 간의 편차가 커짐.
  • 원인 분석: 1 차원 DD 모델이 실제 3 차원 다공성 구조에서의 이온 이동 및 계면 효과를 완전히 포착하지 못했기 때문으로 판단됨. 특히 이온에 의한 전계 차폐 (Field Screening) 효과와 다공성 구조에서의 재결합 경로 복잡성이 모델의 한계로 작용.

4. 주요 기여 (Key Contributions)

1. 실시간 물리 파라미터 추적: 중단 없는 열화 테스트 중 J-V 곡선만으로 직접 측정 불가능한 내부 물리 파라미터 ($S, \mu, \tau$ 등) 의 변화를 실시간으로 추정하는 AI 프레임워크를 제시.
2. 열화 메커니즘 규명: 단순한 성능 저하 예측을 넘어, 표면 재결합 속도 증가가 탄소 기반 PSC 열화의 주요 원인임을 규명하고, 이온 농도 변화보다는 재결합 메커니즘 변화가 지배적임을 증명.
3. Drift-Diffusion 가이드 오토인코더: 기존 블랙박스 ML 과 달리, 물리 법칙 (시뮬레이션 파라미터) 을 손실 함수에 직접 포함시켜 추정된 파라미터의 물리적 신뢰성을 높인 새로운 ML 아키텍처 제안.
4. 디지털 트윈 검증: 추정된 파라미터를 기반으로 한 시뮬레이션과 실제 측정값의 비교를 통해 현재 모델의 한계 (다공성 구조의 1 차원 근사화 한계) 를 식별하고 향후 모델 개선 방향 제시.

5. 의의 및 결론 (Significance)

이 연구는 AI 를 단순히 성능 예측 도구로 사용하는 것을 넘어, 소자의 물리적 작동 원리를 학습하고 열화 메커니즘을 해석하는 도구로 활용하는 새로운 패러다임을 제시했습니다.

• 기술적 의의: 탄소 전극 PSC 의 안정성 문제를 해결하기 위해, 열화 과정에서 발생하는 미세한 물리적 변화 (표면 재결합 증가 등) 를 조기에 감지하고 정량화할 수 있는 체계를 확립했습니다.
• 향후 전망: 추정된 파라미터는 소자 설계 최적화 및 더 정확한 물리 모델 (예: 3 차원 모델 또는 이온 - 전자 상호작용 모델) 개발의 기초 데이터로 활용될 수 있으며, 이를 통해 더 안정적이고 효율적인 차세대 페로브스카이트 태양전지 개발에 기여할 것으로 기대됩니다.