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

该论文提出了一种基于漂移 - 扩散模型引导的自编码器机器学习方法，通过分析碳基钙钛矿太阳能电池在不同扫描速度下的电流 - 电压曲线，实现了对器件老化过程中电荷传输与复合物理参数的原位追踪及数字孪生模拟，从而深入揭示了器件退化机制。

要点

这篇文章讲述了一项关于如何让太阳能电池更耐用的研究。研究人员利用了一种名为“人工智能（AI）”的聪明助手，来像“体检医生”一样，实时监测太阳能电池在老化过程中的内部变化。

为了让你更容易理解，我们可以把这篇论文的故事想象成给两个“太阳能赛车手”做长期的健康追踪。

1. 背景：为什么我们需要这个？

现在的太阳能电池（特别是钙钛矿电池）效率非常高，甚至快追上传统的硅电池了。但是，它们有一个致命弱点：容易“生病”和“老化”。就像人一样，长时间晒太阳、工作，电池内部的材料会慢慢变质，导致发电能力下降。

以前的研究大多只是看电池“最后还能跑多远”（比如效率还剩多少），就像只看一个人的寿命，却不知道他身体里具体哪个器官出了问题。这篇论文的目标是：在电池“生病”的过程中，实时找出是哪个零件坏了，以及是怎么坏的。

2. 实验设置：两个赛车手，两种压力

研究人员准备了两个相同的碳基钙钛矿太阳能电池（我们叫它们选手 A和选手 B），把它们放在一个模拟太阳光照的“训练场”里，连续跑了 23 天。

• 选手 A (MPP 模式)：就像是一个全力冲刺的运动员。它一直在最大功率点工作，拼命发电。
• 选手 B (Voc 模式)：就像是一个站在起跑线上憋气的运动员。它被强制保持在开路电压状态，虽然不输出电流，但内部压力很大。

结果很明显：选手 A 虽然累，但状态保持得不错；选手 B 因为长期处于高压状态，很快就“病倒”了，电压明显下降。

3. 核心工具：AI 侦探与“数字双胞胎”

这是这篇论文最酷的地方。研究人员没有把电池拆开来检查（那样就破坏了电池），而是用了一种AI 驱动的“透视眼”。

• 训练 AI（教它认病）：
  研究人员先造了 5 万个虚拟的“数字双胞胎”电池。他们在电脑里随机改变电池内部的 6 种关键参数（比如电子跑得快不快、表面有没有漏洞、离子乱不乱等），然后模拟出这些电池在不同速度下的电流 - 电压曲线（J-V 曲线）。
  这就好比给 AI 看了 5 万张不同“病情”的 X 光片，让它学会：“如果曲线长这样，说明是表面漏电；如果曲线那样，说明是内部电子跑不动了。”

• AI 诊断（实时监测）：
  每天，研究人员给真实的选手 A 和 B 测一次电流电压曲线。AI 看到这些曲线后，立刻反推出电池内部那 6 个关键参数发生了什么变化。
  这就好比医生不用开刀，只看心电图就能告诉你：“你的心脏（电子传输）今天变慢了，但你的血管（离子浓度）还比较稳定。”

4. 发现了什么？（AI 告诉我们的秘密）

通过 AI 的“透视眼”，研究人员发现了以前很难直接看到的细节：

• 表面“生锈”了：两个电池的表面都出现了“漏电”现象（表面复合速度增加），就像电池外壳生锈了，导致电子还没发电就漏掉了。选手 B（高压组）生锈得更严重。
• 内部“交通”变堵了：选手 A 在长期工作后，内部电子的“移动速度”变慢了，但它的“寿命”（电子存活时间）反而变长了。这有点反直觉，就像交通虽然堵了，但车反而开得慢了，所以没出车祸（没被消耗掉）。
• 离子“堵车”是元凶：对于选手 B，AI 发现虽然离子总量没大变，但离子在界面处堆积，导致电阻变大。这就像早高峰时，虽然车总数没变，但都堵在路口了，导致整个交通瘫痪。

5. 为什么这很重要？

以前，科学家只能看到电池“坏了”，却不知道是“怎么坏的”。
现在，有了这个AI 辅助的“数字双胞胎”技术：

1. 不用拆机：可以在电池工作时实时监测。
2. 精准定位：能区分是材料本身的问题，还是界面接触的问题，或者是离子乱跑的问题。
3. 指导改进：知道了病因，下次造电池时就可以针对性地“吃药”（比如给表面加层保护膜，或者优化离子通道），让电池更耐用。

总结

这篇论文就像给太阳能电池装上了一个智能的“黑匣子”和“体检仪”。它利用 AI 把复杂的电流数据翻译成了具体的物理参数，告诉我们电池在老化过程中到底哪里“受伤”了。这不仅帮助我们理解电池为什么会坏，更为未来制造出更长寿、更稳定的太阳能电池指明了方向。

简单来说：以前是“盲人摸象”，现在是用 AI 给电池做"CT 扫描”，一眼看穿它的心脏和血管出了什么问题。

技术摘要

这是一份关于AI 辅助碳基钙钛矿太阳能电池（PSC）降解研究的论文详细技术总结。该研究利用机器学习（特别是自编码器）结合漂移 - 扩散（Drift-Diffusion, DD）模型，深入分析了器件在老化过程中的物理参数演变。

1. 研究背景与问题 (Problem)

• 钙钛矿太阳能电池的稳定性挑战：尽管钙钛矿太阳能电池的效率已接近硅基电池（碳基 PSC 记录已达 23.2%），但**降解（Degradation）**仍是阻碍其商业化的核心问题。
• 现有 AI 应用的局限性：以往利用人工智能（AI）的研究主要集中在预测整体性能指标（如转换效率 PCE 随时间的变化或 T80 寿命），这虽然有助于质量控制，但无法直接揭示导致性能损失的具体物理机制（如电荷传输、复合或离子迁移的具体变化）。
• 核心痛点：在器件持续老化（应力测试）过程中，难以在不中断测试的情况下直接测量内部物理参数（如表面复合速度、载流子迁移率、寿命等）。传统的 J-V 曲线分析往往难以区分多种参数变化的耦合效应。

2. 方法论 (Methodology)

本研究提出了一种**漂移 - 扩散引导的自编码器（Drift-Diffusion-Guided Autoencoder）**方法，将物理模型与机器学习相结合。

• 实验设置：

  • 器件：使用 Solaronix 提供的碳电极介孔钙钛矿太阳能电池（结构：FTO/TiO2/m-TiO2-MAPI/m-ZrO2-MAPI/Carbon）。
  • 应力测试：在惰性气氛下，对两个器件进行为期 23 天（约 550 小时）的连续光照老化。
    • 器件 A：最大功率点（MPP）跟踪。
    • 器件 B：开路电压（VOC）跟踪。
  • 数据采集：每天测量不同扫描速度（0.005 至 100 V/s）下的 J-V 曲线，以捕捉离子迁移和迟滞效应。

• 机器学习模型架构：

  • 训练数据生成：基于 1D 漂移 - 扩散（DD）模拟生成 50,000 个虚拟器件的 J-V 曲线。随机变化 6 个关键物理参数：表面复合速度 ($S$)、载流子迁移率 ($\mu$)、复合寿命 ($\tau$)、TiO2 迁移率 ($\mu_{TiO2}$)、阳离子迁移率 ($\mu_C$) 和离子密度 ($\rho_{Ion}$)。
  • 自编码器（Autoencoder, AE）：
    • 编码器：将输入的 J-V 曲线（不同扫描速度）压缩为潜在空间向量。
    • 解码器：从潜在向量重构 J-V 曲线。
    • 损失函数创新：除了重构误差（输入 vs 输出 J-V 曲线）外，引入了第二项约束，即潜在向量必须能准确映射回模拟中已知的真实物理参数。这解决了传统自编码器“黑盒”问题，确保了潜在空间参数具有明确的物理意义。
  • 应用：训练完成后，仅使用编码器部分，将实验测得的 J-V 曲线映射回物理参数，实现原位参数估计。

3. 关键贡献 (Key Contributions)

1. 原位参数追踪：首次展示了利用 ML 在器件持续老化过程中，无需中断测试即可实时追踪不可直接测量的内部物理参数（如表面复合速度、载流子寿命）的演变。
2. 物理可解释性：通过“漂移 - 扩散引导”的训练策略，克服了传统 ML 模型缺乏物理意义的缺点，建立了 J-V 曲线特征与具体物理机制（传输 vs 复合，电子 vs 离子）之间的直接联系。
3. 数字孪生（Digital Twin）：利用估计的参数构建器件的“数字孪生”，能够模拟并对比实验数据与理论模型，深入分析降解机制。
4. 区分应力模式的影响：对比了 MPP 和 VOC 两种不同工作模式对器件降解路径的差异化影响。

4. 主要结果 (Results)

• 宏观性能表现：

  • MPP 跟踪器件：性能相对稳定，PCE 保留了初始值的 90%。
  • VOC 跟踪器件：表现出明显的降解，开路电压（VOC）从 0.88V 降至 0.84V，短路电流（JSC）显著下降。
  • 迟滞现象：观察到离子重分布导致的电压瞬态和 J-V 迟滞，慢速扫描下的迟滞随时间增加（反向扫描电流增加）。

• 物理参数演变（AI 估计结果）：

  • 表面复合速度 ($S$)：随时间显著增加。MPP 器件趋于 50 cm/s，VOC 器件趋于 100 cm/s。表明界面退化是主要因素。
  • 载流子寿命 ($\tau$)：
    • MPP 器件：初始寿命较短（约 1.5 ns，受介孔结构大界面影响），随时间略有增加。
    • VOC 器件：初始寿命较长，随时间显著增加（达到数百 ns），这可能与离子屏蔽效应或测量方法的差异有关。
  • 迁移率 ($\mu$)：
    • 钙钛层迁移率 ($\mu_{pero}$) 在 MPP 器件中随时间下降，导致传输受限。
    • TiO2 层迁移率 ($\mu_{TiO2}$) 保持相对稳定，未受应力显著影响。
  • 离子参数：离子密度 ($\rho_{Ion}$) 和阳离子迁移率 ($\mu_C$) 的变化在误差范围内，表明离子密度本身未发生剧烈变化，但离子在界面的积累（特别是 VOC 条件下）导致了串联电阻增加和填充因子（FF）损失。

• 模型与实验的偏差：

  • 虽然 AI 估计的参数能复现定性趋势，但在定量上与实验 J-V 曲线存在偏差（特别是在慢速扫描下）。
  • 原因分析：1D 漂移 - 扩散模型难以完全模拟介孔结构中的复杂几何效应（如巨大的有效界面面积）以及离子在多层结构中的复杂迁移行为。

5. 意义与展望 (Significance)

• 深化机理理解：该方法超越了单纯的效率预测，揭示了降解的微观物理根源（主要是表面复合增加和界面离子积累），为改进器件稳定性提供了明确方向。
• 优化模拟模型：通过对比实验与模拟，指出了当前 1D 模型在描述介孔钙钛矿器件时的局限性，推动了更复杂物理模型的建立。
• 加速研发：提供了一种快速、非破坏性的诊断工具，可用于筛选更稳定的材料配方和界面工程策略，加速钙钛矿太阳能电池的实用化进程。
• 方法论推广：这种“物理模型引导的机器学习”范式可推广至其他复杂光电材料系统的退化研究中。

总结：该论文成功利用 AI 技术将宏观的 J-V 曲线特征“翻译”为微观的物理参数变化，不仅验证了碳基钙钛矿电池在 VOC 条件下更容易发生界面退化和离子积累导致的性能损失，也为未来设计高稳定性钙钛矿器件提供了强有力的理论工具和实验依据。