ИИ должен связать весь цикл исследований перовскитных солнечных элементов

Искусственный интеллект помогает исследователям совершенствовать перовскитные солнечные элементы, однако его преимущества по-прежнему в основном ограничиваются конкретными системами, на которых обучаются модели. В анализе Nature Reviews Electrical Engineering, опубликованном на сайте nature.com, говорится, что более широкий прогресс будет зависеть от объединения инструментов ИИ на протяжении всего исследовательского цикла, а не от опоры на изолированные задачи прогнозирования или оптимизации.

Галогенидные перовскиты привлекательны для солнечной энергетики, поскольку их оптические и электронные характеристики можно настраивать, а затраты на их производство могут быть низкими. Однако превратить эти преимущества в промышленное применение сложно. Поведение элемента зависит от нескольких связанных между собой решений: состав материала влияет на ход обработки, обработка формирует результирующую микроструктуру, а микроструктура влияет на характеристики устройства.

Поскольку эти факторы взаимодействуют, решение, найденное для одной материальной системы или производственной среды, может не сработать при изменении состава, условий изготовления или архитектуры устройства. Поэтому задача состоит не просто в том, чтобы найти наилучшее значение одного параметра. Необходимо понять и контролировать цепочку взаимозависимостей, действующую на разных этапах и масштабах технологии.

Где ИИ уже помогает

Сегодня ИИ используется в четырёх основных направлениях исследований перовскитных солнечных элементов: поиске материалов, разработке устройств, совершенствовании производственных процессов и изучении стабильности. Там, где доступны достаточные объёмы данных, модели могут выявлять взаимосвязи и ускорять оптимизацию. Это позволяет сократить усилия, необходимые для перебора возможных вариантов в рамках определённой исследовательской задачи.

Однако результаты неоднородны. Модель, хорошо работающая для одного сочетания материалов и процедур, может оказаться столь же полезной для другого. Кроме того, точный прогноз не обязательно раскрывает механизм, ответственный за наблюдаемый результат. Согласно анализу, современные системы лучше выявляют корреляции в знакомых условиях с большим объёмом данных, чем формируют выводы, сохраняющие полезность для разных составов, архитектур или условий эксплуатации.

Этот пробел важен, поскольку перовскитные солнечные элементы не управляются независимыми переменными. Изменение состава может повлиять на обработку; изменение обработки способно изменить структуру материала; а структурные изменения могут отразиться на характеристиках и надёжности. ИИ, рассматривающий каждый этап как отдельную задачу, рискует утратить информацию, от которой может зависеть переносимость улучшения за пределы первоначального эксперимента.

Четыре препятствия на пути к более широкому эффекту

В анализе выделяются четыре регулярно возникающие структурные проблемы. Во-первых, релевантная информация фрагментирована, а наборы данных нелегко совместить. Поэтому результаты, полученные на разных этапах исследовательского процесса, бывает трудно объединить, что ограничивает объём знаний, которые модель может извлечь из них вместе.

Во-вторых, модели часто плохо обобщают результаты между системами. Закономерности, выявленные для одного набора составов, производственных условий или конструкций устройств, автоматически не переносятся на другой. Это ограничивает ценность ИИ за пределами условий, представленных в данных для его обучения.

В-третьих, многие модели обладают ограниченной интерпретируемостью и слабой физической обоснованностью. Прогноз может быть полезным, даже если он не объясняет, почему был сделан, однако отсутствие чёткой связи с лежащим в основе поведением затрудняет оценку того, применим ли результат в новой ситуации. Это также ограничивает извлечение знаний, основанных на механизмах, которые могли бы направлять дальнейшую работу.

Четвёртая проблема — несоответствие между тем, что ИИ просят оптимизировать, и ограничениями, определяющими практическую конструкцию. Модель может улучшить выбранный показатель, не учитывая более широкие требования к работающей технологии солнечных элементов. В статье эти трудности представлены как взаимосвязанные особенности структуры исследований, а не как свидетельство того, что одни лишь более совершенные алгоритмы решат проблему.

От отдельных моделей к интегрированному конвейеру

Предлагаемый ответ — создание исследовательской инфраструктуры, которая объединит информацию и обратную связь во всех направлениях этой области. Мультимодальные и многоуровневые наборы данных могли бы объединить разные виды свидетельств, получаемых на различных этапах. Модели, учитывающие физические законы и допускающие объяснение, могли бы теснее связывать прогнозы с поведением, которое они призваны описывать, одновременно облегчая оценку логики этих прогнозов.

В анализе также говорится о системах с замкнутым циклом, в которых прогнозы ИИ связаны с экспериментальной обратной связью. В таком конвейере результаты экспериментов не просто служили бы итоговой проверкой модели; они могли бы помогать обновлять систему и определять последующие решения. Это позволило бы переносить знания дальше, а не оставлять их в рамках одного упражнения по оптимизации.

Предполагаемый сдвиг заключается в переходе от прогнозирования, ориентированного на отдельные задачи, к системному ИИ. При таком подходе информация об открытии материалов, разработке устройств, обработке и анализе стабильности постоянно передавалась бы дальше, пересматривалась и использовалась повторно. ИИ стал бы частью интегрированной программы по поиску материалов, совершенствованию устройств и оценке надёжности.

Для перовскитной фотоэлектрики значение этого подхода заключается в переносимости результатов. Ускорение оптимизации в одном узком режиме полезно, однако промышленный прогресс требует подходов, способных справляться со связанными решениями, касающимися составов, производственных условий и архитектур устройств. В анализе Nature утверждается, что более широкая роль ИИ будет зависеть от сохранения знаний на протяжении всего исследовательского цикла, а не просто от повышения точности отдельных моделей.