🔬 physics

Physics-Informed Neural Modeling of TiO 2 Photoanode Thickness-Dependent Electron Transport and Photovoltaic Performance in Dye-Sensitized Solar Cells

本研究提出了一种物理信息神经网络框架，该框架利用有限的实验数据，能够准确模拟染料敏化太阳能电池中与厚度相关的电子传输和光伏性能，在优于传统回归方法的同时，也凸显了由于形貌和电解质变化而带来的跨系统泛化挑战。

原作者： K Sanyasi Naidu, Nalluri Mohan Rao

发布于 2026-09-14

📖 1 分钟阅读☕ 轻松阅读

原作者： K Sanyasi Naidu, Nalluri Mohan Rao

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

太阳能长期以来一直承诺了一个阳光可以直接转化为电力的未来，但通往那个未来的道路却充满了微观层面的挑战。捕捉光能最有效的方法之一涉及一种被称为染料敏化太阳能电池的装置。想象一个由微小的、多孔陶瓷颗粒组成的“海绵”，它被浸泡在感光染料中，并夹在两个电极之间。当阳光照射到这个海绵时，染料会释放电子，电子随后通过海绵的网络进行传输，从而产生电能。这个陶瓷海绵的厚度是一个关键的设计选择。如果层太薄，它就无法吸收足够的阳光来产生强电流；如果太厚，电子在到达出口之前就会丢失或被困住，从而浪费了它们所携带的能量。在捕捉光线与传输电子之间寻找完美的平衡是一项精密的工程设计，研究人员一直试图通过在实验室测试不同的层厚度来解决这一问题。

在最近的一项研究中，来自印度贾瓦哈拉尔·尼赫鲁科技大学的研究员 K. Sanyasi Naidu 和 Nalluri Mohan Rao 通过将物理定律与一种新型计算机建模相结合，解决了这个问题。他们并没有仅仅依赖于试错实验或简单的统计猜测，而是构建了一个尊重电子在材料中运动基本规则的数字模型。他们专注于一组特定的六个太阳能电池，每个电池都使用不同厚度的二氧化钛（一种用于这些装置的常见陶瓷材料）制成。其目标是创建一个工具，能够预测改变厚度将如何影响电池性能，即使在可用数据非常稀缺的情况下也是如此。

研究人员使用了一种被称为“物理信息神经网络”的技术。要理解这一点，可以把它想象成教计算机解决一个规则已经已知的谜题。在这种情况下，规则是描述电子如何在材料中扩散以及如何与其他粒子复合（即有效地消失）的物理方程。计算机不仅仅是被给予实验结果进行记忆，而是被强制要求学习一个遵守这些物理定律的解。该模型将太阳能电池的厚度视为一个可以调节的变量，允许研究人员模拟在测试过的最薄和最厚样本之间的任何厚度下会发生什么。这种方法使他们能够看到简单的曲线拟合可能会忽略的潜在趋势。

团队从六个特定设备的实验数据开始，其厚度范围从 12.7 微米到 55.2 微米不等。他们发现，随着层变得更厚，捕获的光量增加了，但电子丢失的机会也随之增加。模型成功识别了一个竞争效应达到平衡的“甜点区”。它预测，对于这种特定类型的太阳能电池，最有效的厚度大约在 29.72 微米左右，能够将约 8.70% 的阳光转化为电能。这个预测略高于他们实际测试的最佳厚度（26.6 微米），这表明真正的最优值可能就在他们的实验范围之外。

然而，研究人员在陈述发现时非常谨慎。他们对模型进行了严格测试，方法是每次假装没有六个设备中的一个数据，然后检查模型是否能准确预测该缺失设备的性能。该模型的表现明显优于传统的数学方法，例如简单的曲线拟合或忽略物理定律的标准人工智能模型。虽然该模型能够以相当高的准确度预测已知设备的性能，但研究人员指出，由于数据量较少，关于完美厚度究竟在哪里仍存在很大的不确定性。所谓的“最佳”厚度完全可能在约 13 到 55 微米之间的任何位置，这凸显出需要更多数据才能精确锁定这个数字。

也许这项研究中最具启发性的部分在于，当研究人员尝试将他们的模型应用于由其他科学家使用不同材料和制造方法制作的完全不同的太阳能电池组时。当他们将这个“冻结”的模型应用于这些新设备且不做任何调整时，预测并不准确。模型未能预测出新系统的正确最佳厚度。这种失败并非错误，而是一个至关重要的发现。它证明了在所有不同类型的设备中，不存在一个单一的、通用的规则来决定厚度如何影响太阳能电池的性能。材料制造的具体方式、所使用的染料类型以及化学环境都会改变游戏规则。

最终，这项研究为思考太阳能电池设计提供了一种强大的新方法。它表明，通过将物理定律直接嵌入计算机模型，研究人员即使在拥有极少数据的情况下也能做出更好的预测。该模型成功捕捉了特定设备中光吸收与电子传输之间的复杂权衡。然而，它也清晰地展示了尝试进行泛化时的局限性。陶瓷层的厚度并不是唯一重要的因素；整个制造过程和材料组成都必须被考虑在内，才能真正优化太阳能电池。这项工作提供了一个将稀疏实验数据与物理定律相结合的可重复框架，为设计高效太阳能系统提供了一条比单纯依赖猜测或简单数据趋势更可靠的路径。

技术摘要：基于物理信息神经网络的 TiO₂ 光阳极厚度相关电子传输建模

问题陈述
在染料敏化太阳电池（DSSCs）中，TiO₂ 光阳极的厚度是一个关键的非单调变量。增加厚度可以增强染料负载和光学吸收，但同时会增加电子传输距离，导致更高的复合率和传输损失。虽然传统的多项式或样条插值可以近似厚度趋势，但它们无法强制执行底层的电子连续性方程。相反，确定性偏微分方程（PDE）模型通常需要难以从稀疏实验数据中唯一确定的有效系数。本研究旨在解决如何在有限数据集（六个器件）的情况下，对这种具有厚度依赖性的性能进行建模，并区分系统内预测能力与通用泛化能力的问题。

方法论
作者开发了一个基于一维稳态电子连续性方程的**物理信息神经网络（PINN）**框架。该方法通过整合物理定律与数据驱动的残差修正来处理稀疏数据。

数学公式化：
- 模型求解一个归一化的扩散-产生-复合方程，用于描述过剩电子密度 $u(\xi, d)$ ，其中 $\xi$ 是归一化深度， $d$ 是薄膜厚度。
- 该 PDE 通过无量纲组 $(L/d)^2$ （扩散与复合之比）和 $\alpha d$ （光学衰减）显式地引入了厚度。
- 边界条件包括 FTO 接触端的理想提取（ $u=0$ ）以及电解质界面处的零通量。
- 关键物理参数（有效电子扩散系数 $D_e$ 、寿命 $\tau$ 、吸收系数 $\alpha$ 和光子通量 $\phi$ ）被固定为特定的有效值，以避免在仅有六个数据点的情况下拟合多个自由参数所带来的不可识别问题。
神经架构：
- 解场 $u_\theta$ 使用基于随机特征的**物理信息极限学习机（PI-ELM）**进行近似。
- 网络使用具有 80 个 tanh 特征的单隐藏层；权重和偏置被冻结，仅通过约束最小二乘问题优化输出系数。
  该架构避免了反向传播的成本，并确保了 PDE 残差的可解析微分性。
器件级校准：
- 为了弥合理想 1D PDE 与实际器件性能之间的差距，应用了低容量正则化残差修正。
- 短路电流（ $J_{SC}$ ）被建模为 PDE 推导电流乘以一个残差项： $\exp(c_0 + c_1 z + c_2 z^2)$ ，其中 $z$ 是归一化厚度。系数 $c_1$ 和 $c_2$ 受 L2 岭回归约束（ $\lambda=0.10$ ），以防止过拟合。
- $V_{OC}$ 和填充因子（FF）使用线性残差映射进行建模。
验证协议：
- 解析验证： 将神经场与常系数 PDE 的解析解进行了对比。
- 留一厚度交叉验证（LOOCV）： 模型在五个器件上训练，并在第六个器件上进行测试，对所有六个样本重复此过程。
- 基准比较： 将其性能与线性回归、自然三次样条、高斯过程回归和常规人工神经网络（ANN）进行了基准测试。
- 外部迁移： 将一个“冻结”的模型（基于 Tsai 等人的数据集训练）应用于两个独立的已发表数据集（Sedghi & Miankushki; Kumari et al.），以测试领域偏移。

关键结果

物理场精度： 神经场以高保真度求解了 PDE，在所有厚度下相对于解析解的相对 L2 误差为 0.08–0.68%。
预测性能（LOOCV）：
- PINN 实现的效率平均绝对百分比误差（MAPE）为 12.40%，显著优于所有基准模型：线性回归（27.76%）、二次回归（26.08%）、自然三次样条（78.42%）、高斯过程（19.34%）和常规 ANN（20.15%）。
- 模型预测的最优厚度为 29.72 µm，效率为 8.70%，略高于实验最大值 26.6 µm，反映了模型在高性能平台区的鲁棒性。
消融研究：
- 移除物理约束（仅数据的 ANN）使效率 MAPE 增加到 20.15%。
- 仅使用带有全局电流标度的物理模型（无残差修正）得到的 MAPE 为 12.35%，这表明 PDE 形状捕捉了大部分趋势，而残差修正则精细化了拟合。
不确定性量化： 由于数据集较小（N=6），Jackknife 重采样分析显示最优厚度存在较宽的不确定性区间（12.72–46.72 µm），表明仅凭六个数据点无法在统计学上精确解析出最优值。
外部迁移限制：
- 当应用于 Sedghi & Miankushki 数据集时，冻结模型的效率 MAPE 为 17.10%。
- 当应用于 Kumari 等人（不同的制备工艺、染料和电解质）的数据集时，MAPE 增加到 19.78%。
- 模型未能捕捉到这些外部系统的较低最优厚度，证实了仅靠厚度不足以描述不同制备路径下的性能。

意义与主张
本文声称提出了一种物理正则化的小数据框架，该框架成功地区分了系统内预测价值与通用泛化能力。

可重复性与鲁棒性： 研究表明，将传输物理学嵌入神经模型中，即使在数据非常稀疏（N=6）的情况下，也能实现比纯数据驱动方法更优的插值和外推能力。
对泛化能力的审慎态度： 作者明确指出，目标不是预测通用的 DSSC 性能曲线。相反，本研究强调了“领域偏移”问题：仅基于厚度的代理模型无法跨越不同的制备化学性质（如压缩、烧结、染料选择）进行泛化。
方法论转变： 本工作提倡一种保守的建模方法，即固定物理常数以避免不可识别性，并对经验修正进行严格的正则化。这防止了模型在小数据集上“记忆”噪声，同时保持了物理一致性。
未来方向： 本文总结道，为了获得更广泛的适用性，未来的模型必须演变为多变量框架，将孔隙率、染料负载和传输电阻等因素作为显式输入，而非仅仅依赖厚度作为代理指标。

技术摘要：基于物理信息神经网络的 TiO₂ 光阳极厚度相关电子传输建模

类似论文