利用可解释AI发现可扩展钙钛矿太阳能电池制造的工艺动力学钙钛矿半导体薄膜的大面积加工非常复杂，并且会引起无法解释的质量差异，成为钙钛矿光伏发电商业化的主要障碍。可扩展制造工艺的进步目前仅限于渐进和任意的试错过程。虽然光致发光视频的原位采集有可能揭示薄膜形成过程中的重要变化，但数据的高维性很快就超出了人类分析的极限。

　　研究人员进一步展示了如何将获得的见解提炼成钙钛矿薄膜加工的可行建议，从而推进工业规模的太阳能电池制造。

　　钙钛矿串联太阳能电池将钙钛矿太阳能电池与传统太阳能电池（例如基于硅的太阳能电池）结合起来。这些电池被认为是下一代技术：目前它们的效率超过 33%，远高于传统硅太阳能电池。此外，它们使用廉价的原材料并且易于制造。为了达到这种效率水平，必须生产极薄的高级钙钛矿层，其厚度仅为人类头发的一小部分。

　　「使用低成本和可扩展的方法制造这些没有任何缺陷或孔洞的高级多晶薄层是最大的挑战之一6T SPORTS。」在卡尔斯鲁厄理工学院微结构技术研究所和光技术研究所的终身教授 Ulrich W. Paetzold 说道。

　　即使在表面上完美的实验室条件下，也可能存在导致半导体层质量变化的未知因素。「这一缺点最终会阻碍这些高效太阳能电池的工业规模生产的快速启动，而这些高效太阳能电池是能源周转所急需的。」

　　为了找到影响涂层的因素，德国癌症研究中心交互式机器学习小组、亥姆霍兹成像小组以及德国卡尔斯鲁厄理工学院照明技术研究所的研究人员组成跨学科研究团队，开发了使用庞大数据集训练和分析神经网络的人工智能方法。该数据集包括显示制造过程中钙钛矿薄层光致发光的视频记录。

　　光致发光是指被外部光源激发的半导体层的辐射发射。「由于即使是专家也无法看到薄层上的任何特殊情况，因此诞生了这个想法：训练人工智能系统进行机器学习（深度学习），用于从视频上数百万个数据项中检测涂层好坏的隐藏迹象。」论文的主要作者 Lukas Klein 和 Sebastian Ziegler 对此进行了解释。

　　为了过滤和分析深度学习人工智能系统输出的广泛分散的指示，研究人员引入数据驱动的知识发现概念。这一概念将深度学习 (DL) 与多种可解释的人工智能 (XAI) 方法相结合。虽然深度学习能够在复杂数据中找到通过传统分析无法找到的模式，但该团队使用 XAI 将找到的模式呈现为人类可理解的概念，这些概念可以由材料科学家转化为可行的结论。

　　目前为止，这是 XAI 首次在高维数据上如此广泛地用于知识发现和 PSC 制造。基于此设置，研究人员不仅能够找到支持或反对现有假设的证据，还能发现前所未有的见解，从而建立有关可靠的大规模 PSC 制造的新假设。这些见解是基于独特的高维数据集生成的，其中包含钙钛矿薄膜形成的原位光致发光（PL）强度视频。

　　虽然该数据集中的工艺参数名义上是相同的，但视频数据通过显示它们产生的薄膜形成过程来捕获真实世界的工艺参数。通过这样做，研究人员不会将自己限制于有关高影响参数的先前假设，而是能够公正地包含所有可能的现实世界过程参数。

　　这种方法有两个主要优点：首先，不限制先前的信息集，并允许识别意外的发现。其次，研究人员还可以发现导致相同发现的多个不同的工艺参数，因为薄膜形成过程的变化可以通过几种不同的动作来实现，这些动作的适用性根据具体设置而变化。

　　研究人员通过实验发现，光致发光在生产过程中会发生变化，这种现象会对涂层质量产生影响。「我们工作的关键是有针对性地使用 XAI 方法来了解必须改变哪些因素才能获得高级太阳能电池。」Klein 和 Ziegler 说。

　　这不是通常的方法。在大多数情况下，XAI仅用作一种护栏，以避免在构建AI模型时出现错误。「这是范式的改变：以如此系统的方式获得材料科学中高度相关的见解是一种全新的体验。」

　　确实是从光致发光变化中得出的结论使研究人员能够采取下一步行动。在对神经网络进行相应训练后，人工智能能够根据制造过程中的哪个点发生的光发射变化来预测每个太阳能电池是否会实现低效率或高效率。

　　「这些结果非常令人兴奋。」Ulrich W. Paetzold 说，「由于人工智能的结合使用，我们有了可靠的线索，知道首先需要改变哪些参数来提高产量。现在我们能够更有针对性地进行实验，不再蒙着眼睛大海捞针。这是后续研究的蓝图，也适用于能源研究和材料科学。」