克服光伏领域长期挑战的数字孪生

有机与钙钛矿太阳能电池等新兴光伏（PV）近期的成功很大程度上由材料科学创新推动。然而，缩小与商业化的差距仍需显著创新，以兼顾性能、寿命与可回收性等相互矛盾的要求。迄今为止，创新速率受限于缺乏将化学基序与功能性微观结构联系起来的设计原理，以及无法通过研究宏观器件特性实验获取微观结构。本工作中，我们构想了一种面向 PV 材料的数字孪生布局，旨在消除这两类局限。该布局将材料加速平台（MAPs）中所用的机器学习方法与源自底层物理的数学模型以及工程领域的数字孪生概念相结合。此布局将允许利用 MAPs 中的高通量（HT）实验改进量子化学与固态模型的参数化。反过来，改进且泛化的模型可用于从 HT 数据获取关键结构参数。HT 实验因此将产生对普遍有效的结构-性质关系的详细理解，从而实现逆向分子设计，即预测最优化学结构与工艺条件以构建同时满足多重要求的 PV 器件。在通过材料科学中的因果关系论证我们所提数字孪生布局后，我们讨论了赋能技术的现状，其已能从当今 HT 数据中获得洞见。我们指出了关于 PV 材料多尺度特性以及所需数据量与多样性方面的开放挑战，并提及应对这些挑战的有前景方法。