将物理领域知识嵌入贝叶斯网络实现光伏器件的逐层工艺创新
应用物理
2019-11-05 v2 计算物理
摘要
光伏器件的工艺优化是一项耗时、试错的努力，缺乏对底层物理的完全透明，且受用户施加的约束，这些约束可能导向也可能不导向全局最优。在此，我们展示了将物理领域知识嵌入贝叶斯网络能够实现一种优化方法，该方法以逐层分辨率识别性能不佳的根本原因，并揭示超越全局黑盒优化的替代最优工艺窗口。我们的贝叶斯网络方法使用基于自编码器的替代器件物理模型（比数值求解器快 100 倍）的贝叶斯推断框架，将工艺条件与材料描述符（块体和界面性质，如块体寿命、掺杂和表面复合）以及器件性能参数（如电池效率）联系起来。借助训练好的替代模型，我们的方法稳健，并显著减少了耗时的人工实验干预，即使在少量制备样品的情况下。为演示我们的方法，我们对 GaAs 太阳能电池进行逐层优化。在单次学习循环中，我们在无任何二次测量的情况下找到了 GaAs 太阳能电池的改进生长温度，并展示了相对 AM1.5G 效率较基线及传统黑盒优化方法提高 6.5%。
引用
@article{arxiv.1907.10995,
title = {Embedding Physics Domain Knowledge into a Bayesian Network Enables Layer-by-Layer Process Innovation for Photovoltaics},
author = {Zekun Ren and Felipe Oviedo and Muang Thway and Siyu I. P. Tian and Yue Wang and Hansong Xue and Jose Dario Perea and Mariya Layurova and Thomas Heumueller and Erik Birgersson and Armin Aberle and Christoph J. Brabec and Rolf Stangl and Shijing Sun and Qianxiao Li and Fen Lin and Ian Marius Peters and Tonio Buonassisi},
journal= {arXiv preprint arXiv:1907.10995},
year = {2019}
}