Как внедрить машинное обучение в производство солнечных батарей

Аккумулятор FIAMM FG 10721

Корейские учёные разработали новую методологию использования моделей машинного обучения в «умном» производстве солнечных батарей. Они использовали данные, собранные с оборудования, которое максимально приближено к реальным промышленным производственным инструментам.

Исследователи из Корейского университета разработали модель машинного обучения для прогнозирования сопротивления листа при легировании оксихлоридом фосфора (POCl3) в процессе производства солнечных батарей.

«Цель нашего исследования — предложить методологию интеграции машинного обучения в производственные процессы, чтобы ускорить развитие Индустрии 4.0 и проложить путь к Индустрии 5.0», — рассказал ведущий автор исследования Сынтхэ Лижурналу PV.

«Мы использовали данные, собранные с оборудования, которое очень похоже на реальные промышленные производственные инструменты, — продолжил он. — На основе этих данных мы разработали модель машинного обучения, которая позволяет не только прогнозировать сопротивление листа в зависимости от условий процесса, но и оптимизировать эти условия с помощью байесовской оптимизации для достижения конкретных показателей сопротивления листа».

При производстве солнечных батарей POCl3 используется в качестве жидкого прекурсора легирующей примеси для создания слоёв n-типа в процессе термической диффузии.

При моделировании учёные учитывали различные условия технологического процесса и значения сопротивления пластин. Они собрали 3420 точек экспериментальных данных, при этом в качестве входных параметров использовались 10 переменных технологического процесса: температура перед осаждением; время перед осаждением; условия ввода; температура ввода; время ввода; параметры технологического газа; расход POCl3, расход O2 и давление технологического процесса; положение лотка для пластин; номер слота для пластин; положение пластин.

Исследовательская группа использовала метод SHapley Additive exPlanations (SHAP), основанный на теории игр и позволяющий объяснить результаты работы любой модели машинного обучения, для анализа влияния каждого признака на прогнозирование сопротивления листа. «SHAP — это метод интерпретации, основанный на значениях Шепли из теории игр, — подчеркнули в компании. — Он обеспечивает комплексный количественный анализ, который включает в себя оценку важности признаков, влияния каждого признака на прогнозы модели и конкретного вклада отдельных признаков в каждый прогноз на уровне отдельных точек данных».

Исследователи также использовали байесовскую оптимизацию, которая обычно применяется для решения сложных задач оптимизации путём аппроксимации неизвестной целевой функции и эффективного определения её минимальных или максимальных значений, чтобы определить оптимальные условия процесса с помощью обученной модели машинного обучения. В частности, они стремились определить условия, при которых сопротивление листа близко к 150 Ом/кв. см в «реалистичных» условиях производства солнечных элементов.

Команда провела 100 испытаний на этапе случайной выборки и 100 испытаний на этапе байесовской оптимизации.

Было установлено, что предложенный подход обеспечивает более эффективную и быструю оптимизацию условий процесса по сравнению с традиционными и дорогостоящими методами проб и ошибок, используемыми в фотоэлектрической промышленности.

«Мы обнаружили, что полученные с помощью модели представления и прогнозы согласуются с общепринятыми физическими и теоретическими представлениями. Это позволяет нам быть уверенными в надёжности и интерпретируемости модели в реальных производственных условиях, — пояснил Ли. — Мы считаем, что эту методологию можно применять не только в производстве солнечных батарей, но и в широком спектре промышленных процессов».

Предложенный подход был описан в исследовании «Подход на основе байесовской оптимизации для контроля сопротивления кремниевых пластин при автоматизированном производстве солнечных батарей», опубликованном в журнале Materials Science in Semiconductor Processing.