KR20230057130A - 인공지능을 이용하여 솔라 셀을 설계하는 방법 및 장치 - Google Patents

인공지능을 이용하여 솔라 셀을 설계하는 방법 및 장치 Download PDF

Info

Publication number
KR20230057130A
KR20230057130A KR1020210141192A KR20210141192A KR20230057130A KR 20230057130 A KR20230057130 A KR 20230057130A KR 1020210141192 A KR1020210141192 A KR 1020210141192A KR 20210141192 A KR20210141192 A KR 20210141192A KR 20230057130 A KR20230057130 A KR 20230057130A
Authority
KR
South Korea
Prior art keywords
artificial intelligence
solar cell
combination
specified
combinations
Prior art date
Application number
KR1020210141192A
Other languages
English (en)
Other versions
KR102627885B1 (ko
Inventor
정임두
박태주
전일
Original Assignee
울산과학기술원
성균관대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 울산과학기술원, 성균관대학교산학협력단 filed Critical 울산과학기술원
Priority to KR1020210141192A priority Critical patent/KR102627885B1/ko
Publication of KR20230057130A publication Critical patent/KR20230057130A/ko
Application granted granted Critical
Publication of KR102627885B1 publication Critical patent/KR102627885B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L31/00—Semiconductor devices sensitive to infrared radiation, light, electromagnetic radiation of shorter wavelength or corpuscular radiation and specially adapted either for the conversion of the energy of such radiation into electrical energy or for the control of electrical energy by such radiation; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof
    • H01L31/04—Semiconductor devices sensitive to infrared radiation, light, electromagnetic radiation of shorter wavelength or corpuscular radiation and specially adapted either for the conversion of the energy of such radiation into electrical energy or for the control of electrical energy by such radiation; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof adapted as photovoltaic [PV] conversion devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Electromagnetism (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Photovoltaic Devices (AREA)

Abstract

본 발명은 인공 지능을 이용하여 솔라 셀을 설계하는 방법 및 장치에 관한 것이다. 본 발명의 일 실시 예에 따른 인공 지능을 이용하여 솔라 셀을 설계하는 장치는 디스플레이; 기 학습된 인공지능모델을 저장하는 메모리; 및 상기 솔라 셀을 구성하는 다수의 구성물들에 대한 정보를 기초로 각 구성물에 대한 양 및/또는 종류를 랜덤하게 선택하여 다수의 조합들을 생성하고, 상기 생성된 다수의 조합들을 상기 인공지능모델을 통해 분석하여 각 조합의 출력 결과를 예측하고, 상기 예측된 출력 결과들 중 지정된 조건을 만족하는 적어도 하나의 조합을 추천 조합으로 상기 디스플레이를 통해 제공하는 프로세서를 포함할 수 있다.

Description

인공지능을 이용하여 솔라 셀을 설계하는 방법 및 장치{METHOD AND APPARATUS FOR DESIGNING SOLAR CELL USING ARTIFICIAL INTELLIGENCE}
본 발명은 인공 지능을 이용하여 솔라 셀을 설계하는 방법 및 장치에 관한 것이다.
친환경 에너지에 대한 관심이 증가함에 따라, 최근에는 솔라 셀(solar cell)에 대한 관심이 증가하고 있다. 특히, 에너지 변환 효율(power conversion efficiency, PCE) 및 환경 문제를 고려하여, 비납 기반 페로브스카이트(lead-free based perovskites)를 이용한 솔라 셀에 대한 관심 및 연구가 증가하고 있다.
상기 비납 기반의 페로브스카이트 솔라 셀은 다수의 화학물질(chemical composition)들의 조합에 따라 성능(예: 에너지 변환 효율)이 달라질 수 있다. 이로 인하여, 솔라 셀의 설계에서 다수의 화학물질들의 조합은 매우 중요하다. 현재는 다양한 조합을 가지는 시제품들을 제조한 후 테스트하는 시행착오 방식(trial-and-error)으로 솔라 셀을 설계하고 있다. 따라서, 기존의 솔라 셀의 설계는 많은 시간, 비용, 및/또는 인력이 필요하다는 문제점이 존재한다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 본 발명은 인공 지능(artificial intelligence, AI)을 이용하여 솔라 셀을 구성하는 다수의 구성물들에 대한 최적의 조합을 예측하여 제공할 수 있는 인공 지능을 이용하여 솔라 셀을 설계하는 장치 및 방법을 제공할 수 있다.
이와 같은 목적을 달성하기 위한 본 발명의 일 실시예에 따른 인공 지능을 이용하여 솔라 셀을 설계하는 장치는, 디스플레이; 기 학습된 인공지능모델을 저장하는 메모리; 및 상기 솔라 셀을 구성하는 다수의 구성물들에 대한 정보를 기초로 각 구성물에 대한 양 및/또는 종류를 랜덤하게 선택하여 다수의 조합들을 생성하고, 상기 생성된 다수의 조합들을 상기 인공지능모델을 통해 분석하여 각 조합의 출력 결과를 예측하고, 상기 예측된 출력 결과들 중 지정된 조건을 만족하는 적어도 하나의 조합을 추천 조합으로 상기 디스플레이를 통해 제공하는 프로세서를 포함할 수 있다.
본 발명의 일 실시예에 따른 인공 지능을 이용하여 솔라 셀을 설계하는 방법은, 상기 솔라 셀을 구성하는 다수의 구성물들에 대한 정보를 기초로 각 구성물에 대한 양 및/또는 종류를 랜덤하게 선택하여 다수의 조합들을 생성하는 단계; 상기 생성된 다수의 조합들을 기 학습된 인공지능모델을 통해 분석하여 각 조합의 출력 결과를 예측하는 단계; 및 상기 예측된 출력 결과들 중 지정된 조건을 만족하는 적어도 하나의 조합을 추천 조합으로 제공하는 단계를 포함할 수 있다.
이상과 같은 본 발명은 인공 지능을 통해 솔라 셀을 구성하는 다수의 구성물들에 대한 최적의 조합(예: 솔라 셀의 흡수 레이어(Absorb Layer)를 구성하는 화학물질들의 비율 및 솔라 셀의 다른 레이어(예: 정공 전송 레이어(Hole Transport Layer, HTL), 전자 전송 레이어(Electron Transport Layer, ETL), 금속 전극(Metal electrode), 투명 전극(Transparent electrode))에 대한 재질의 조합)을 확인할 수 있어, 솔라 셀 제작을 위한 시간, 비용, 및/또는 인력을 절감할 수 있으며, 보다 정확한 조합을 제공(추천)할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 인공지능을 이용하여 솔라 셀을 설계하는 절차를 개략적으로 도시한 도면이다.
도 2a는 본 발명의 일 실시 예에 따른 인공지능모델의 학습 절차를 설명하는 흐름도이다.
도 2b는 본 발명의 일 실시 예에 따른 솔라 셀의 구조를 도시한 도면이다.
도 2c는 본 발명의 일 실시 예예 따른 인공지능모델의 구조를 도시한 도면이다.
도 3a는 본 발명의 일 실시 예에 따른 인공지능을 이용하여 솔라 셀의 설계를 위한 최적의 조합을 추천하는 방법을 설명하는 흐름도이다.
도 3b는 본 발명의 일 실시 예에 따른 솔라 셀의 구성물들의 조합을 생성하는 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 인공지능을 이용하여 솔라 셀을 설계하는 장치의 구성을 도시한 블록도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 이하에서 동일한 참조 부호는 동일 구성 요소를 지칭한다.
비록 제1, 제2 등이 다양한 소자, 구성요소 및/또는 섹션들을 서술하기 위해서 사용되나, 이들 소자, 구성요소 및/또는 섹션들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자, 구성요소 또는 섹션들을 다른 소자, 구성요소 또는 섹션들과 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 소자, 제1 구성요소 또는 제1 섹션은 본 발명의 기술적 사상 내에서 제2 소자, 제2 구성요소 또는 제2 섹션일 수도 있음은 물론이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "이루어지다(made of)"는 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 구성에 대하여 상세히 설명한다.
도 1은 본 발명의 일 실시 예에 따른 인공지능을 이용하여 솔라 셀을 설계하는 절차를 개략적으로 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시 예는 인공지능을 이용하여 솔라 셀을 설계할 수 있다. 예를 들어, 본 발명은 기 제작된 솔라 셀의 구성물들에 대한 정보 및 성능 측정 결과를 기초로 인공지능 모델을 학습시키고, 학습된 인공지능 모델을 통해 최적의(또는 최대) 성능(예: 에너지 변환 효율)을 제공할 수 있는 솔라 셀의 구성물들의 조합을 제공(추천)할 수 있다.
본 발명의 일 실시 예에 따른 솔라 셀을 설계하는 절차는 데이터 획득 단계(S110), 데이터 전처리 단계(S120), 학습 단계(S130), 추천 단계(S140), 및 피드백 단계(S150)를 포함할 수 있다. 상기 데이터 획득 단계(S110), 데이터 전처리 단계(S120), 및 학습 단계(S130)는 기 제작된 솔라 셀의 구성물들에 대한 정보 및 성능 측정 결과를 기초로 인공지능 모델을 학습(learning)(또는 훈련(training))하는 절차일 수 있다. 이에 대한 상세한 설명은 도 2a 내지 도 2c를 참조하여 후술하기로 한다.
추천 단계(S140)는 데이터 획득 단계(S110), 데이터 전처리 단계(S120), 및 학습 단계(S130)를 통해 학습이 완료된 인공지능 모델을 이용하여 최적의 성능(에너지 변환 효율)을 제공할 수 있는 구성물들의 적어도 하나의 조합을 추천 조합으로 제공할 수 있다. 예를 들어, 추천 단계(S140)는 다수의 조합들에 대한 성능(출력 결과)을 예측하고, 예측된 성능이 지정된 조건을 만족하는 조합들 중 지정된 수(예: 10개)의 조합을 추천 조합으로 제공할 수 있다. 상기 추천 단계(140)에 대한 상세한 설명은 도 3a 및 도 3b를 참조하여 후술하기로 한다.
피드백 단계(S150)는 추천 조합에 기초하여 솔라 셀을 실제로 제작하고, 실제로 제작된 솔라 셀의 성능을 측정하고, 측정된 결과를 학습 데이터로 피드백할 수 있다. 이를 통해, 인공지능 모델의 예측이 정확한지 검증할 수 있고, 인공지능 모델을 업데이트할 수 있다.
도 2a는 본 발명의 일 실시 예에 따른 인공지능모델의 학습 절차를 설명하는 흐름도이고, 도 2b는 본 발명의 일 실시 예에 따른 솔라 셀의 구조를 도시한 도면이고, 도 2c는 본 발명의 일 실시 예예 따른 인공지능모델의 구조를 도시한 도면이다.
상세한 설명에 앞서, 솔라 셀(100)은, 도 2b에 도시된 바와 같이, 기판(111) 상에 투명 전극(transparent electrode) 레이어(109), 정공 전송 레이어(Hole Transport Layer, HTL)(107), 흡수 레이어(absorb layer)(105), 전자 전송 레이어(Electron Transport Layer, ETL)(103), 및 금속 전극(Metal electrode) 레이어(101)이 적층된 구조를 가질 수 있다. 흡수 레이어(105)는 태양 에너지를 전기 에너지로 변환하는 비납 기반의 페로보스카이트(lead-free based perovskites)로 형성될 수 있다. 이하에서는, 설명의 편의를 위하여, 흡수 레이어(105)는 ABX3의 화학적 구조를 가지며, 흡수 레이어(105)의 B-site(105b)가 주석(Sn)이고, X-site(105a)가 할로겐 분자(I)인 경우를 예로 하여 설명하기로 한다. 즉, 흡수 레이어(105)가 "ASnI3"의 화학적 구조를 가지는 경우를 예로 하여 설명하기로 한다. A-site(105c)는 다수의 화학물질들로 구성될 수 있다.
한편, 인공지능 모델(10)은, 도 2c에 도시된 바와 같이, 심층 신경망(deep neural network)일 수 있다. 예를 들어, 인공지능 모델(10)은 KCV(K-fold cross validation) 기반의 심층 신경망(Deep Neural Network, DNN) 모델일 수 있다. 인공지능 모델(10)은 입력 레이어(11), 히든 레이어(13) 및 출력 레이어(15)를 포함할 수 있다. 입력 레이어(11)는 다수의 입력 노드들을 포함할 수 있다. 예를 들어, 입력 레이어(11)는, 도 2c에 도시된 바와 같이, 9개의 입력 노드를 포함할 수 있다. 히든 레이어(13)는 다수의 노드를 포함하는 다수의 레이어를 포함할 수 있다. 히든 레이어(13)에 포함된 레이어의 수 및 각 레이어의 노드 수는 지정된 범위 내에서 랜덤 서치(예: 최소값에서 최대값까지 일정 단위로 증가)를 통해 최적화될 수 있다(아래의 <표 1> 설명 참조). 출력 레이어(15)는 다수의 출력 노드를 포함할 수 있다. 예를 들어, 출력 레이어(15)는, 도 2c에 도시된 바와 같이, 3개의 출력 노드를 포함할 수 있다. 한편, 도 2c에 도시된 인공지능 모델(10)의 구조는 일 예일 뿐, 본 발명을 한정하지 않는다. 또한, 본 발명은 심층 신경망을 이용하는 것으로 한정되지 않고, 알려진 다양한 인공지능 모델을 이용할 수 있다.
도 2a 내지 도 2c를 참조하면, 본 발명의 일 실시 예에 따른 인공지능모델의 학습 방법은 인공지능 모델(10)의 학습을 위한 학습 데이터를 수집하는 단계(S201)를 포함할 수 있다. 학습 데이터는 실제로 기 제조된 솔라 셀(100)들 각각에 대하여, 인공지능 모델(10)의 입력 정보에 대응하는 솔라 셀(100)을 구성하는 구성물들에 대한 정보 및 인공지능 모델(10)의 출력 정보에 대응하는 솔라 셀(100)의 성능 측정 결과에 대한 정보를 포함할 수 있다.
상기 구성물들에 대한 정보는 흡수 레이어(105)를 구성하는 다수의 화학물질들의 양(또는 비율) 및 상기 흡수 레이어(105)의 상단 또는 하단에 적층되는 다른 레이어들(101, 103, 107, 109)의 종류(또는 재질)를 포함할 수 있다. 예를 들어, 구성물들에 대한 정보는, 도 2c에 도시된 바와 같이, A-site(105c)를 구성하는 화학물질들(예: FA(formadinum), MA(metylammonium), Cs, EDA(ethylenediamine), 또는 PEA(phenylethylammonium))의 양(또는 비율), 금속 전극(101)의 종류, 투명 전극(109)의 종류, 정공 전송 레이어(107)의 종류, 및 전자 전송 레이어(103)의 종류를 포함할 수 있다.
한편, 성능 측정 결과에 대한 정보는, 도 2c에 도시된 바와 같이, 솔라 셀(100)의 단락회로 전류밀도(short-circuit current density, JSC), 개방회로 전압(open-circuit voltage, VOC) 및 충진율(fill factor, FF)을 포함할 수 있다.
어떤 실시 예에 따르면, 학습 데이터를 수집하는 단계(S201)는 실제 솔라 셀들에 대한 학습 데이터를 기반으로 가상의 학습 데이터를 생성하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 인공지능 모델의 학습 방법은 수집된 학습 데이터를 전처리하는 단계(S203)를 포함할 수 있다. 예를 들어, 수집된 학습 데이터는 기계학습에 적합한 형태로 전처리될 수 있다.
본 발명의 일 실시 예에 따른 인공지능모델의 학습 방법은 전처리된 학습 데이터를 이용하여 인공지능 모델을 학습하는 단계(이하, 학습 단계)(S205)를 포함할 수 있다. 상기 학습 단계(S205)는 전처리된 데이터를 이용하여 인공지능 모델(10)의 히든 레이어(13)에 포함된 레이어들 및 각 노드에서의 가중치(weights) 및 바이어스(bias)를 최적화할 수 있다. 예를 들어, 학습 단계(S205)는 특정 입력 정보가 입력되었을 때, 대응하는 출력 정보가 출력될 수 있도록 가중치 및 바이어스를 최적화할 수 있다. 다시 말해, 학습 단계(S205)는 흡수 레이어(105)의 A-site를 구성하는 화학물질들 각각의 양(또는 비율) 및 다른 레이어들(101, 103, 107, 109) 각각의 종류를 입력 정보로 하여, 단락회로 전류밀도, 개방회로 전압 및 충진율의 출력 정보를 예측하고, 예측된 출력 정보가 실제 측정 결과와 동일 또는 유사해지도록 인공지능 모델(10)을 학습시킬 수 있다.
일 실시 예에 따르면, 학습 단계(S205)는 인공지능 모델(10)을 구성하는 하이퍼파라미터(hyperparameters)(예: 레이어의 수, 노드의 수, 학습률(learning rate) 및 배치 정규화)에 대한 최적화를 수행할 수 있다. 예를 들어, 학습 단계(S205)는, 아래의 <표 1>과 같이, 지정된 범위 내에서 랜덤 서치(예: 최소값에서 최대값까지 스텝 사이즈 단위로 증가)를 통해 하이퍼파라미터들에 대한 최적화를 수행할 수 있다. 한편, <표 1>은 일 예일 뿐, 본 발명을 한정하지는 않는다.
하이퍼파라미터 레이어 노드 학습률 배치 정규화
최소값 2 5 0 0 (Not Used)
최대값 11 100 0.1 1 (Used)
스텝 사이즈 1 1 0.00001 1
일 실시 예에 따르면, 학습 단계(S205)는 교차 검증(cross validation)(예: KCV(K-fold cross validation))을 통해 학습 단계(S205)에서 발생할 수 있는 문제(예: 학습 데이터의 부족)를 방지하며 신뢰성을 향상시킬 수 있다.
일 실시 예에 따르면, 수집된 학습 데이터들 중 일부(예: 80 %)만을 이용하여 인공지능 모델(10)을 학습시키고, 나머지 일부(예: 20 %)를 테스트 셋으로 이용하여 인공지능 모델(10)이 적절하게 학습되었는지 평가할 수 있다.
도 3a는 본 발명의 일 실시 예에 따른 인공지능을 이용하여 솔라 셀의 설계를 위한 최적의 조합을 추천하는 방법을 설명하는 흐름도이고, 도 3b는 본 발명의 일 실시 예에 따른 솔라 셀의 구성물들의 조합을 생성하는 방법을 설명하기 위한 도면이다.
도 3a 및 도 3b를 참조하면, 본 발명의 일 실시 예에 따른 추천 방법은 솔라 셀의 설계(제조)에 사용할 다수의 구성물들에 대한 정보를 입력하는 단계(S301)를 포함할 수 있다. 예를 들어, 사용자는 흡수 레이어를 구성할 화학물질들(예: FA, MA, Cs, EDA, 및 PEA) 중 일부의 양(비율)을 지정(예: 고정)하고, 나머지의 양을 가변하도록 설정할 수 있다. 또한, 사용자는 다른 레이어들 중 일부에 대해서 특정 종류를 사용하도록 지정(예: 고정)하고, 나머지 일부에 대해서만 종류를 가변하도록 설정할 수 있다. 어떤 실시 예에 따르면, 사용자는 새로운 화학물질 및/또는 다른 레이어에 대한 새로운 종류를 추가하거나, 화학물질들 중 일부 및/또는 다른 레이어들의 종류들 중 일부를 제거(또는 사용하지 않도록 설정)할 수 있다. 어떤 실시 예에 따르면, 다수의 구성물들에 대한 정보를 입력하는 단계(S301)는 생략될 수 있다.
본 발명의 일 실시 예에 따른 추천 방법은 각 구성물들에 대한 양 및/또는 종류를 랜덤하게 선택하여 다수의 조합들을 생성하는 단계(S303)를 포함할 수 있다. 예를 들어, 인공지능 모델은, 도 3b에 도시된 바와 같이, 제1 화학 물질(예: FA)의 양을 0과 1사이에서 랜덤하게 선택하고, 제2 화학 물질(예: MA)의 양을 0과 1사이에서 랜덤하게 선택하고, 제3 화학 물질(예: Cs)의 양을 0과 1사이에서 랜덤하게 선택하고, 제4 화학 물질(예: EDA)의 양을 0과 0.01사이에서 랜덤하게 선택하고, 제5 화학 물질(예: PEA)의 양을 0과 0.15사이에서 랜덤하게 선택하고, 제1 레이어(예: 금속 전극)의 종류를 4개의 종류들 중 랜덤하게 선택하고, 제2 레이어(예: 투명 전극)의 종류를 2개의 종류들(사용/미사용) 중 랜덤하게 선택하고, 제3 레이어(예: 정공 전송 레이어)의 종류를 8개의 종류들 중 랜덤하게 선택하고, 및 제4 레이어(예: 전자 전송 레이어)의 종류를 7개의 종류들 중 랜덤하게 선택하여 다수의 조합들을 생성할 수 있다.
본 발명의 일 실시 예에 따른 추천 방법은 각 조합을 인공지능 모델을 통해 분석하여 각 조합의 출력 결과를 예측하는 단계(S305)를 포함할 수 있다. 예를 들어, 인공지능 모델은 각 조합에 대한 단락회로 전류밀도, 개방회로 전압, 및 충진율을 예측하고, 그 결과를 출력할 수 있다.
본 발명의 일 실시 예에 따른 추천 방법은 제약 조건이 설정되어 있는지 확인하는 단계(S307)를 포함할 수 있다. 제약 조건은 사용자에 의해 기설정될 수 있다. 또는, 인공지능 모델(또는 프로세서)이 예측 결과가 좋지 못한 조합들을 분석하여 공통된 특징을 제약 조건으로 설정할 수 있다. 제약 조건은 안정적인 것으로 검증된 재질의 레이어(예: PEDOT:PSS 재질의 HTL)를 포함하지 않는 조합, Cs가 임계치(예: 0.5) 이상 포함된 조합, 또는 실제로 제조(예: 페로브스카이트에 증착)가 어려운 재질을 가지는 레이어(예: TiO2 재질의 ETL)를 포함하는 조합일 수 있다. 어떤 실시 예에 따르면, 제약 조건이 설정되어 있는지 확인하는 단계(S307)는 생략될 수 있다.
상기 S307 단계의 확인 결과 제약 조건이 설정되지 않은 경우 본 발명의 일 실시 예에 따른 추천 방법은 후술하는 S311 단계로 진행할 수 있다. 반면에, 상기 S307 단계의 확인 결과 제약 조건이 설정된 경우 본 발명의 일 실시 예에 따른 추천 방법은 제약 조건을 포함하는 조합을 배제하는 단계(S309)를 수행할 수 있다. 예를 들어, 인공지능 모델은 생성된 다수의 조합들 중 제약 조건을 포함하는 조합을 배제시킬 수 있다.
본 발명의 일 실시 예에 따른 추천 방법은 지정된 조건을 만족하는 조합을 추천 조합으로 제공하는 단계(S311)를 포함할 수 있다. 예를 들어, 인공지능 모델은 생성된 조합들 중 지정된 조건을 만족하는 적어도 하나(예: 10개)의 조합을 추천 조합으로 제공할 수 있다. 여기서, 지정된 조건은 높은 에너지 변환 효율을 제공할 수 있는 조건일 수 있다. 예를 들어, 지정된 조건은 단락회로 전류밀도가 지정된 제1 임계치(예: 25) 이상이고, 개방회로 전압이 지정된 제2 임계치(예: 1) 이상이며, 충진율이 지정된 제3 임계치(예: 0.8) 이상일 수 있다.
도 4는 본 발명의 일 실시 예에 따른 인공지능을 이용하여 솔라 셀을 설계하는 장치의 구성을 도시한 블록도이다.
도 4를 참조하면, 인공지능을 이용하여 솔라 셀을 설계하는 장치(400)는 메모리(410), 디스플레이(420), 프로세서(430), 및 입력 모듈(240)을 포함할 수 있다. 메모리(410)는 인공지능 모델(411)을 포함할 수 있다.
메모리(410)는 프로세서(430)와 전기적으로 연결될 수 있고, 장치(400)를 동작시키기 위한 다양한 프로그램들, 및 프로세서(430)를 동작시키기 위한 다양한 명령 및/또는 인스트럭션들을 저장할 수 있다. 메모리(410)는 내장 메모리 또는 외장 메모리 중 적어도 어느 하나를 포함할 수 있다. 내장 메모리는 휘발성 메모리(예: DRAM, SRAM, 또는 SDRAM 등), 비휘발성 메모리(예: OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, 플래시 메모리, 하드 드라이브, 또는 솔리드 스테이트 드라이브 (SSD) 중 적어도 하나를 포함할 수 있다. 외장 메모리는 다양한 인터페이스를 통하여 장치(400)와 연결될 수 있는 SD(secure digital), Micro-SD, Mini-SD, 또는 USB(universal serial bus) 메모리 등을 포함할 수 있다.
메모리(410)는 인공지능 모델(411)을 포함할 수 있다. 인공지능 모델(411)은 도 2a 내지 도 2c에서 상술한 절차를 통해 학습될 수 있고, 도 3a 및 도 3b에서 상술한 절차를 통해 솔라 셀의 설계(제작)를 위한 추천 조합을 제공할 수 있다.
디스플레이(420)는 입력 기능 및/또는 출력 기능을 제공할 수 있다. 예를 들어, 디스플레이(420)는 터치 패널 및/또는 표시 패널을 포함할 수 있다. 디스플레이(420)는 인공지능 모델(411)에 의해 선택된 추천 조합을 표시할 수 있다.
프로세서(430)는 메모리(410)로부터 명령(command) 또는 인스트럭션들(instructions)을 수신하고, 수신된 명령 또는 인스트럭션들에 따라 각 구성 요소들을 제어하여, 다양한 기능들을 수행할 수 있다. 프로세서(430)는 중앙 처리 장치(central processing unit: CPU), 마이크로 컨트롤 유닛(micro control unit: MCU), 마이크로 프로세서 유닛(micro processor unit: MPU) 등으로 형성될 수 있다. 본 발명의 일 실시 예에 따른 프로세서(430)는, 도 2a 내지 도 3b를 통해 상술한 인공지능 모델(411)의 학습 절차 및 추천 절차를 제어할 수 있다.
입력 모듈(440)은 물리적인 버튼, 광학식 키, 키패드, 마우스, 또는 터치 패드 등을 포함할 수 있다. 입력 모듈(440)이 터치 패널로 형성되는 경우 입력 모듈(440)은 디스플레이(420)와 일체형으로 형성될 수 있다. 본 발명의 일 실시 예에 따른 입력 모듈(440)은 솔라 셀의 설계(제조)에 사용할 다수의 구성물들에 대한 정보를 입력하는 사용자 입력을 수신할 수 있다. 상기 정보 입력에 대한 설명은 도 3a의 S301 단계에서 상술한 바, 생략하기로 한다.
이상과 같이 본 발명의 도시된 실시 예를 참고하여 설명하고 있으나, 이는 예시적인 것들에 불과하며, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자라면 본 발명의 요지 및 범위에 벗어나지 않으면서도 다양한 변형, 변경 및 균등한 다양한 타 실시 예들이 가능하다는 것을 명백하게 알 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적인 사상에 의해 정해져야 할 것이다.
100: 솔라 셀 400: 솔라 셀을 설계하는 장치
410: 메모리 420: 디스플레이
430: 프로세서 440: 입력 모듈
10/411: 인공지능 모델

Claims (15)

  1. 인공 지능을 이용하여 솔라 셀을 설계하는 장치에 있어서,
    디스플레이;
    기 학습된 인공지능모델을 저장하는 메모리; 및
    상기 솔라 셀을 구성하는 다수의 구성물들에 대한 정보를 기초로 각 구성물에 대한 양 및/또는 종류를 랜덤하게 선택하여 다수의 조합들을 생성하고, 상기 생성된 다수의 조합들을 상기 인공지능모델을 통해 분석하여 각 조합의 출력 결과를 예측하고, 상기 예측된 출력 결과들 중 지정된 조건을 만족하는 적어도 하나의 조합을 추천 조합으로 상기 디스플레이를 통해 제공하는 프로세서를 포함하는 것을 특징으로 하는 장치.
  2. 제 1 항에 있어서,
    상기 구성물들은
    태양 에너지를 전기 에너지로 변환하는 흡수 레이어를 구성하는 다수의 화학물질들; 및
    상기 흡수 레이어의 상단 또는 하단에 적층되는 다수의 레이어들을 포함하는 것을 특징으로 하는 장치.
  3. 제 2 항에 있어서,
    상기 프로세서는
    상기 다수의 화학 물질들 각각에 대한 양을 랜덤하게 선택하고, 상기 다수의 레이어들 각각에 대한 종류를 랜덤하게 선택하여 상기 다수의 조합들을 생성하는 것을 특징으로 하는 장치.
  4. 제 1 항에 있어서,
    상기 출력 결과는
    단락회로 전류밀도(short-circuit current density), 개방회로 전압(open-circuit voltage) 및 충진율(fill factor)을 포함하고,
    상기 지정된 조건은
    상기 단락회로 전류밀도가 지정된 제1 임계치 이상, 상기 개방회로 전압이 지정된 제2 임계치 이상, 및 상기 충진율이 지정된 제3 임계치 이상인 것을 특징으로 하는 장치.
  5. 제 1 항에 있어서,
    상기 프로세서는
    상기 지정된 조건을 만족하는 조합의 선택 시 지정된 제약 조건을 포함하는 조합을 배제하는 것을 특징으로 하는 장치.
  6. 제 1 항에 있어서,
    상기 인공지능모델은
    KCV(K-fold cross validation)기반의 심층 신경망(Deep Neural Network, DNN)을 포함하는 것을 특징으로 하는 장치.
  7. 제 6 항에 있어서,
    상기 인공지능모델은
    지정된 범위 내에서 랜덤 서치를 통해 상기 인공지능모델을 구성하는 레이어, 노드, 학습률 및 배치 정규화에 대한 최적화를 수행하는 것을 특징으로 하는 장치.
  8. 제 1 항에 있어서,
    상기 솔라 셀은
    비납 기반의 페로브스카이트(lead-free perovskites)를 포함하는 것을 특징으로 하는 장치.
  9. 인공 지능을 이용하여 솔라 셀을 설계하는 방법에 있어서,
    상기 솔라 셀을 구성하는 다수의 구성물들에 대한 정보를 기초로 각 구성물에 대한 양 및/또는 종류를 랜덤하게 선택하여 다수의 조합들을 생성하는 단계;
    상기 생성된 다수의 조합들을 기 학습된 인공지능모델을 통해 분석하여 각 조합의 출력 결과를 예측하는 단계; 및
    상기 예측된 출력 결과들 중 지정된 조건을 만족하는 적어도 하나의 조합을 추천 조합으로 제공하는 단계를 포함하는 것을 특징으로 하는 방법.
  10. 제 9 항에 있어서,
    상기 구성물들은
    태양 에너지를 전기 에너지로 변환하는 흡수 레이어를 구성하는 다수의 화학물질들; 및
    상기 흡수 레이어의 상단 또는 하단에 적층되는 다수의 레이어들을 포함하는 것을 특징으로 하는 방법.
  11. 제 10 항에 있어서,
    상기 다수의 조합들을 생성하는 단계는
    상기 다수의 화학 물질들 각각에 대한 양을 랜덤하게 선택하고, 상기 다수의 레이어들 각각에 대한 종류를 랜덤하게 선택하여 상기 다수의 조합들을 생성하는 단계를 포함하는 것을 특징으로 하는 방법.
  12. 제 9 항에 있어서,
    상기 출력 결과는
    단락회로 전류밀도(short-circuit current density), 개방회로 전압(open-circuit voltage) 및 충진율(fill factor)을 포함하고,
    상기 제공하는 단계는
    상기 단락회로 전류밀도가 지정된 제1 임계치 이상이고, 상기 개방회로 전압이 지정된 제2 임계치 이상이고, 및 상기 충진율이 지정된 제3 임계치 이상인 조합을 상기 추천 조합으로 제공하는 단계를 포함하는 것을 특징으로 하는 방법.
  13. 제 9 항에 있어서,
    제약 조건이 설정되었는지 확인하는 단계를 더 포함하고,
    상기 제공하는 단계는
    상기 제약 조건이 설정된 경우 상기 제약 조건을 포함하는 조합을 추천 조합에서 배제하는 단계를 포함하는 것으로 특징으로 하는 방법.
  14. 제 9 항에 있어서,
    지정된 범위 내에서 랜덤 서치를 통해 상기 인공지능모델을 구성하는 레이어, 노드, 학습률 및 배치 정규화에 대한 최적화를 수행하여 상기 인공지능 모델을 학습시키는 단계 더 포함하는 것을 특징으로 하는 방법.
  15. 제 9 항에 있어서,
    상기 인공지능모델은 KCV(K-fold cross validation)기반의 심층 신경망(Deep Neural Network, DNN)을 포함하고,
    상기 솔라 셀은 비납 기반의 페로브스카이트(lead-free perovskites)를 포함하는 것을 특징으로 하는 방법.
KR1020210141192A 2021-10-21 2021-10-21 인공지능을 이용하여 솔라 셀을 설계하는 방법 및 장치 KR102627885B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210141192A KR102627885B1 (ko) 2021-10-21 2021-10-21 인공지능을 이용하여 솔라 셀을 설계하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210141192A KR102627885B1 (ko) 2021-10-21 2021-10-21 인공지능을 이용하여 솔라 셀을 설계하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20230057130A true KR20230057130A (ko) 2023-04-28
KR102627885B1 KR102627885B1 (ko) 2024-01-23

Family

ID=86143175

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210141192A KR102627885B1 (ko) 2021-10-21 2021-10-21 인공지능을 이용하여 솔라 셀을 설계하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102627885B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090025588A (ko) * 2007-09-06 2009-03-11 한국전자통신연구원 고속 충전 및 고출력 방전 소자용 액체 전해질 조성물의설계 방법
WO2020090848A1 (ja) * 2018-10-30 2020-05-07 昭和電工株式会社 材料設計装置、材料設計方法、及び材料設計プログラム
JP2021012501A (ja) * 2019-07-05 2021-02-04 国立研究開発法人物質・材料研究機構 機械学習支援方法及び機械学習支援装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090025588A (ko) * 2007-09-06 2009-03-11 한국전자통신연구원 고속 충전 및 고출력 방전 소자용 액체 전해질 조성물의설계 방법
WO2020090848A1 (ja) * 2018-10-30 2020-05-07 昭和電工株式会社 材料設計装置、材料設計方法、及び材料設計プログラム
JP2021012501A (ja) * 2019-07-05 2021-02-04 国立研究開発法人物質・材料研究機構 機械学習支援方法及び機械学習支援装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Jeong Ji-young and 4 others, simulation to explore the optimal hole transport layer material and structure for perovskite solar cells. Journal of the Korean Society of Metals and Materials, 57.8, 2019, pages 535-542 *

Also Published As

Publication number Publication date
KR102627885B1 (ko) 2024-01-23

Similar Documents

Publication Publication Date Title
Le Gallo et al. A 64-core mixed-signal in-memory compute chip based on phase-change memory for deep neural network inference
Chen et al. Efficient in-memory computing architecture based on crossbar arrays
Fathy et al. A novel methodology for simulating maximum power point trackers using mine blast optimization and teaching learning based optimization algorithms for partially shaded photovoltaic system
Wu et al. Finite‐time filtering for Itô stochastic Markovian jump systems with distributed time‐varying delays based on optimisation algorithm
US20170324053A1 (en) Hybrid organic-inorganic perovskite-based solar cell with copper oxide as a hole transport material
Yang et al. AUTO-PRUNE: Automated DNN pruning and mapping for ReRAM-based accelerator
Ranaei et al. Evaluating technological emergence using text analytics: two case technologies and three approaches
Shah et al. Experimental evaluation of a partially shaded photovoltaic system with a fuzzy logic‐based peak power tracking control strategy
Ahmad et al. Performance analysis and optimization of inverted inorganic CsGeI3 perovskite cells with carbon/copper charge transport materials using SCAPS-1D
CN105242740A (zh) 一种局部阴影下最大功率点跟踪控制方法
Chen et al. Optimal control strategy for solid oxide fuel cell‐based hybrid energy system using deep reinforcement learning
He et al. Prediction of solar‐chargeable battery materials: A text‐mining and first‐principles investigation
Bhattarai et al. Performance analysis and optimization of all-inorganic CsPbI3-based perovskite solar cell
Nowsherwan et al. Role of graphene-oxide and reduced-graphene-oxide on the performance of lead-free double perovskite solar cell
KR20230057130A (ko) 인공지능을 이용하여 솔라 셀을 설계하는 방법 및 장치
Green Analytical treatment of Trivich–Flinn and Shockley–Queisser photovoltaic efficiency limits using polylogarithms
Park et al. Navigating the path to stability in perovskite solar cells
Zhang et al. Correntropy‐based parameter estimation for photovoltaic array model considering partial shading condition
US11010530B2 (en) Method and apparatus for designing resistive random access memory
Mathew et al. Fault detection and repair of dsc arrays through memristor sensing
Richardson et al. Drift diffusion modelling of charge transport in photovoltaic devices
Datta et al. Simulated performance studies of thin film perovskite solar cell
Khaledi et al. Optimization and Numerical Modeling of TCO/SnO2/CdS/CdTe Solar Cells
Wang et al. Data‐model driven rescheduling considering both rotor angle stability and transient voltage stability constraints
Xing et al. A novel global FPPT strategy for PV system under partial shading condition

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant