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

Dit artikel beschrijft een AI-gestuurde degradatiestudie van koolstofgebaseerde perovskiet-zonnecellen, waarbij een door drift-diffusie geleide autoencoder wordt ingezet om uit J-V-kurven fysische parameters te schatten voor het in situ volgen van degradatie en het creëren van een digitaal tweelingmodel.

De kern

De Kern: Een AI-Detective voor Zonnepanelen

Stel je voor dat je een heel nieuw type zonnepaneel hebt gebouwd. Het werkt geweldig, maar je maakt je zorgen: hoe lang gaat het meedoen? En vooral: waarom gaat het stuk?

Wetenschappers hebben een slimme manier gevonden om dit te achterhalen. Ze gebruiken een kunstmatige intelligentie (AI) die fungeert als een super-detective. Deze AI kan niet alleen kijken naar hoe goed het paneel werkt, maar kan ook "luisteren" naar de interne signalen om te zien wat er fysiek aan de hand is, zonder het paneel open te breken.

Hier is hoe het werkt, stap voor stap:

1. De Proefpersonen: Twee Zonnepanelen in de "Spa"

De onderzoekers namen twee carbon-zonnepanelen (een goedkoop en stabiel type) en stopten ze in een kast met constant licht. Dit is als een zonnepaneel dat 23 dagen lang in de felle zon ligt zonder pauze.

• Paneel A werd gedwongen om continu op zijn maximale vermogen te werken (alsof hij de hele dag hard moet rennen).
• Paneel B werd in een ruststand gehouden (alsof hij alleen maar staat te zonnen, maar niet werkt).

Na 23 dagen waren beide panelen duidelijk "moe" geworden, maar op verschillende manieren.

2. De AI: De "Digitale Twin" (Het Digitale Tweelingkind)

Normaal gesproken kun je alleen meten hoeveel stroom een paneel produceert. Maar wat gebeurt er binnenin? Is het materiaal versleten? Blokkeren er deeltjes de stroom?
Om dit te weten te komen, hebben de onderzoekers een AI-model getraind.

• De training: Ze hebben de AI eerst duizenden keren geoefend met virtuele zonnepanelen. Ze gaven de AI een simulatie van een paneel, veranderden daar willekeurig eigenschappen aan (zoals hoe snel elektronen kunnen rennen of hoe snel ze vastlopen), en lieten de AI de bijbehorende stroomcurve voorspellen.
• De les: De AI leerde zo: "Als de stroomcurve er zo uitziet, betekent dit dat de elektronen minder snel kunnen rennen" of "dat er meer rommel (recombinatie) is op de wanden."

3. De Diagnose: Het Paneel "Lezen"

Toen de echte panelen na 23 dagen werden gemeten, gaf de AI de meetresultaten door. In plaats van alleen te zeggen "het werkt minder goed", gaf de AI een diagnose van de interne gezondheid:

• Oppervlakte-recombinatie (De "Lekke Muur"): De AI zag dat de wanden van het paneel steeds meer "lekken" kregen. Elektronen die stroom moeten leveren, botsten tegen de wanden en verdwenen in plaats van naar de uitgang te gaan. Dit gebeurde vooral bij het paneel dat hard werkte.
• Ionen (De "Verkeersopstoppingen"): In zonnepanelen bewegen er ook ladingdragers (ionen) rond. De AI merkte op dat deze zich ophoopten op bepaalde plekken, wat als een verkeersopstopping werkt en de stroom vertraagt.
• Mobilititeit (De "Snelheidslimiet"): De AI berekende dat de snelheid waarmee de elektronen door het materiaal kunnen reizen, afnam. Alsof de weg van asfalt veranderde in modder.

4. De Verassende Bevindingen

• Het "Hardwerkende" Paneel: Dit paneel hield het lang vol, maar de AI zag dat de interne "muur" (het oppervlak) steeds slechter werd. Het was alsof de verf van de muur langzaam afbladerde.
• Het "Rustende" Paneel: Dit paneel leek rustiger, maar de AI zag dat de open circuit spanning (de druk in het systeem) sneller daalde. Alsof de batterij langzaam leegloopt, zelfs als je hem niet gebruikt.

5. Waarom is dit belangrijk?

Vroeger moesten wetenschappers raden waarom een paneel stuk ging door te gissen of dure, destructieve tests te doen.
Met deze AI-methode kunnen ze nu:

1. In real-time zien wat er misgaat, terwijl het paneel nog werkt.
2. De oorzaak vinden (is het de muur? de snelheid? de ionen?).
3. De oplossing vinden: Als je weet dat de "muur" lekt, kun je een nieuwe verf (materiaal) bedenken die dat stopt.

Samenvattend in één zin:

De onderzoekers hebben een AI-trainer gebouwd die een zonnepaneel kan "lezen" als een medisch MRI-scan, zodat ze precies kunnen zien welke interne onderdelen verslijten en waarom, zodat ze in de toekomst onbreekbare zonnepanelen kunnen bouwen.

Technische samenvatting

Titel

AI-ondersteunde degradatiestudie van koolstofgebaseerde perovskietzonnecellen: Het leren van de apparaatfysica van perovskietzonnecellen via een door Drift-Diffusie-gestuurde Autoencoder-benadering.

1. Het Probleem

Perovskietzonnecellen (PSC's) hebben een indrukwekkende efficiëntiestijging doorgemaakt (van 3,8% naar bijna 27%), maar degradatie blijft een kritieke uitdaging die de levensduur en stabiliteit beperkt.

• Beperkingen van bestaande AI-toepassingen: De meeste huidige studies met Kunstmatige Intelligentie (AI) focussen op het voorspellen van de totale prestatie (zoals de evolutie van het rendement of de tijd tot 80% degradatie, T80). Deze methoden zijn nuttig voor kwaliteitscontrole, maar ze dragen niet direct bij aan het begrijpen van de onderliggende fysische mechanismen van degradatie of het identificeren van de bronnen van verlies.
• Het meetprobleem: Traditionele methoden om fysische parameters (zoals ladingsdragersmobiliteit, recombinatielivetimes of oppervlakte-recombinatiesnelheid) te meten, vereisen vaak het onderbreken van de testomgeving of het overbrengen van het apparaat naar andere meetopstellingen. Dit is onmogelijk tijdens continue, ononderbroken stress-tests (veroudering) in een stabiele omgeving.

2. Methodologie

De auteurs presenteren een nieuwe aanpak die Machine Learning (ML) combineert met fysische simulaties om in situ parameters te schatten zonder de stress-test te onderbreken.

• Apparaatstructuur: Er werden twee koolstofgebaseerde mesoporieuze PSC's (FTO/TiO2/m-TiO2-MAPI/m-ZrO2-MAPI/Carbon) getest.
• Stress-test: De apparaten werden 23 dagen lang blootgesteld aan 1 Sun-lichtinval in een inert milieu.
  • Apparaat 1 (SN112): Getest onder Maximum Power Point (MPP) tracking.
  • Apparaat 2 (SN114): Getest onder Open Circuit Voltage (VOC) tracking.
  • Referentie: Twee ongestresste apparaten.
• Data-acquisitie: Dagelijks werden stroom-spanningskarakteristieken (J-V-curves) gemeten bij verschillende scansnelheden (van 0,005 tot 100 V/s) om hysteresis en ionenmigratie-effecten te detecteren.
• ML-Architectuur (Autoencoder):
  • Een Autoencoder (AE) werd getraind op een dataset van 50.000 gesimuleerde J-V-curves, gegenereerd met een 1D Drift-Diffusie (DD) model.
  • Input: J-V-curves bij verschillende scansnelheden.
  • Output: Schattingen van zes fysieke parameters: oppervlakte-recombinatiesnelheid ($S$), mobiliteit ($\mu$), recombinatielivetime ($\tau$), TiO2-mobiliteit, kationmobiliteit ($\mu_C$) en ionendichtheid ($\rho_{Ion}$).
  • Trainingsstrategie: De loss-functie bevatte twee termen: reconstructie van de J-V-curve én een vergelijking met de bekende ware parameters uit de simulatie. Dit zorgt ervoor dat de latente ruimte van de autoencoder fysiek betekenisvolle parameters leert in plaats van alleen een "black-box" compressie.
• Validatie: De geschatte parameters werden gebruikt om een "digital twin" van de gemeten apparaten te simuleren en werden vergeleken met onafhankelijke metingen (zoals TrPL en TPV) en klassieke J-V-analyse.

3. Belangrijkste Resultaten

• Degradatiepatronen:
  • Het apparaat onder VOC-tracking vertoonde sterke degradatie, met name een daling van de kortsluitstroom ($J_{SC}$) en een toename van de serieweerstand.
  • Het apparaat onder MPP-tracking was stabieler, met een efficiëntieverlies van slechts 10% na 23 dagen.
• Evolutie van Geschatte Parameters (via AI):
  • Oppervlakte-recombinatie ($S$): Steeg significant voor beide apparaten over tijd (van ~20 naar ~50-100 cm/s), wat wijst op verslechtering van de interfacekwaliteit.
  • Mobiliteit ($\mu$) en Livetime ($\tau$): Voor het MPP-apparaat nam de mobiliteit af terwijl de livetime toenam, waardoor het product $\mu\tau$ (diffusielengte) relatief constant bleef. Dit correleerde met de stabiele $J_{SC}$. Voor het VOC-apparaat was de trend minder eenduidig, maar de parameters verplaatsten zich naar waarden die niet meer binnen het trainingsbereik van het model vielen (extreme degradatie).
  • Ionenparameters: De geschatte ionendichtheid ($\rho_{Ion}$) bleef relatief constant, wat suggereert dat de degradatie voornamelijk wordt veroorzaakt door veranderingen in recombinatie en transport, en niet door een massale verandering in de totale ionenconcentratie.
• Digital Twin Validatie:
  • De simulaties gebaseerd op de AI-geschatte parameters kwamen aanvankelijk goed overeen met de metingen.
  • Na verloop van tijd ontstonden afwijkingen, vooral bij langzamere scansnelheden en bij het VOC-apparaat. Dit suggereert dat de 1D Drift-Diffusie-simulatie bepaalde complexe effecten (zoals ionenaccumulatie aan de koolstof-perovskiet interface in een mesoporieuze structuur) niet volledig kan modelleren.
• Vergelijking met Metingen: De parameters geschat via de AI (gebaseerd op LED-verlichting tijdens stress) toonden afwijkingen ten opzichte van metingen met een kalibratiesolar simulator (PAIOS). De auteurs concluderen dat de PAIOS-gebaseerde parameters fysisch consistenter zijn, maar de AI-methode is uniek omdat het tijdens de stress-test continue monitoring mogelijk maakt.

4. Bijdragen en Innovatie

• In situ Monitoring: De studie demonstreert voor het eerst hoe ML kan worden gebruikt om niet-direct meetbare fysische parameters te volgen tijdens een ononderbroken degradatietest.
• Fysisch Geleerde AI: Door de autoencoder te trainen met een loss-functie die fysische parameters direct koppelt aan de output, wordt voorkomen dat het model een "black box" is. Het model leert de onderliggende apparaatfysica.
• Differentiatie van Stress-condities: De studie onthult duidelijk hoe verschillende operationele condities (MPP vs. VOC) leiden tot verschillende degradatiemechanismen, wat moeilijk te zien is met alleen traditionele J-V-analyse.
• Digital Twin Concept: Het creëren van een virtueel model dat evolueert mee met de fysieke degradatie, wat een krachtig instrument is voor toekomstig ontwerp en stabiliteitsvoorspelling.

5. Betekenis en Conclusie

Dit onderzoek markeert een verschuiving van puur prestatievoorspelling naar fundamenteel inzicht in degradatiemechanismen met behulp van AI.

• Het bewijst dat AI-gestuurde parameter-schatting een krachtig hulpmiddel is om de levensduur van PSC's te analyseren zonder de testomgeving te verstoren.
• De resultaten benadrukken dat oppervlakte-recombinatie en transportbeperkingen (mobiliteit) de dominante factoren zijn in de degradatie van deze specifieke koolstofgebaseerde cellen, meer dan veranderingen in de ionendichtheid.
• Hoewel de huidige 1D-modellen nog beperkingen hebben bij het volledig simuleren van complexe mesoporieuze structuren en ionenmigratie, biedt deze methode een solide basis voor het verfijnen van toekomstige simulatiemodellen en het ontwikkelen van stabielere perovskietzonnecellen.

Kortom, de paper levert een brug tussen data-gedreven methoden en fysische modellering, waardoor onderzoekers dieper kunnen kijken in de "black box" van degradatieprocessen in real-time.