三束光'合诊'钙钛矿衰减——EL+PL空间分辨成像+机器学习，R²比全局强度法提升4倍

1 背景与问题

钙钛矿太阳能电池凭借其卓越的光电转换效率（PCE，已超过27%）在光伏领域占据了重要地位，被视为未来大规模光伏部署的有力竞争者或补充技术。然而，除了制备工艺的可扩展性外，运行稳定性仍是制约其商业化推广的关键瓶颈。

与经过数十年验证、具有适度衰减特性的晶硅光伏不同，PSCs对环境应力（如湿度、氧气、紫外光和热循环）高度敏感。在运行过程中，PSCs常发生复杂的物理化学变化，包括相变、离子迁移、界面降解以及晶体结构向富卤化铅相的不可逆转化。传统的电气诊断方法，如光照下的电流-电压（J-V）扫描，虽然能提供准确的性能指标，但不仅耗时，而且无法解析空间局部化的衰减情况。为了加速稳定性测试并实现非侵入式的现场监测，亟需一种能够快速、精准且具备空间分辨能力的监测技术。

2 核心方案

针对上述挑战，论文《Quantifying Perovskite Solar Cell Degradation via Machine Learning from Spatially Resolved Multimodal Luminescence Time Series》提出了一种基于深度学习的创新框架。该研究利用多模态发光成像技术，通过机器学习直接从器件老化过程中的图像数据估算PSC的效率保持率（）。

该方案的核心在于构建了一个自动化的监测平台，集成了温度控制、源测量单元（SMU）以及高分辨率sCMOS相机。研究采用了三种互补的成像模态：

(1) 电致发光（EL）：在正向偏压（1.5 V）下注入载流子，诱导辐射复合；

(2) 开路光致发光（）：在开路条件下，利用470 nm蓝光LED激发载流子，探测高准费米能级分裂条件下的辐射复合通道；

(3) 短路光致发光（）：在短路条件下进行PL成像，探测载流子提取机制，PL的猝灭通常表明有效的电荷提取。

图1.实验监测流程及获取的数据模式。一个定制的腔室集成了温度控制单元和光源-测量单元（SMU），配备两个照明通道（白色LED用于J-V测量，蓝色LED用于PL激发）以及一台sCMOS相机，实现空间分辨成像。在用户选定的老化时间点，自动化监测循环可生成每种器件对应的多模态时间序列数据，包括开路（PLoc）和短路（PLsc）下的PL图像、正向偏压（1.5 V）下的EL图像，以及相应的J-V曲线。

通过将老化状态下的图像与初始状态（）的参考图像配对，模型能够学习相对于初始条件的、与降解相关的空间变化。研究引入了名为LumPerNet的紧凑型卷积神经网络（CNN），从堆叠的多模态图像张量中回归，并将其与仅依赖平均强度的基线模型进行了对比。

3 实验结果与分析

研究在包含59个器件、跨越5-70小时老化时间的综合数据集上验证了该方法的有效性。实验结果表明，利用空间分辨的多模态发光模式，相比仅依赖全局发光强度的基线，显著提升了预测性能和鲁棒性。

在的操作窗口内，LumPerNet模型在独立测试集上取得了优异的表现：

图2.在预留测试集上，LumPerNet的集合均值一致性图及绝对误差分布。该性能是通过利用空间模式而非仅依赖平均强度来实现的。上图：六边形直方图，比较实际测得的RPCE值与由四个交叉验证训练的LumPerNet模型输出平均值计算得到的集合均值预测值ˆy（每个测试样本对应一个预测结果）。颜色表示每个直方图区域内的样本数量，虚线表示理想的ˆy = y关系；图中插入部分显示了相应的集合性能指标。图中插入部分所示指标基于在预留测试集上评估的集合均值预测器（4折训练模型的均值）计算得出，而表2则报告了各折测试评估的均值±标准差。对角线周围可见的条带反映了测试集的纵向特性，即每台设备上有多个测量值，这些测量值在统计上并不独立；因此，设备特异性的残差结构可能表现为相关散点。下图：预留测试集中绝对残差|yˆ − y| 的分布样本总结了在操作范围RPCE ∈ [0.8，1.2]内预测误差的典型幅度和分布。

此外，研究通过消融实验深入分析了不同成像模态的贡献。结果显示，多模态训练能实现最佳泛化能力。特别是的组合表现最佳，最接近全模型性能（），而也表现出很强的竞争力。这证明了物理互补的对比度（如复合与提取机制的结合）而非简单的通道数量增加，才是提升鲁棒性的关键。定性分析进一步表明，LumPerNet能够准确重构器件随时间的降解轨迹，捕捉到主导的降解趋势。

4 产品介绍

Microsurfer

光伏EL/PL缺陷成像与综合测试

Microsurfer是一款太阳能电池片与组件多维缺陷和失效分析平台，用于联合开展IV、PL、EL、寿命、瞬态及成像测试。系统主要用于从局部缺陷进一步追溯效率损耗和失效机制。适用于电池片质量分析、组件分区测试、多结电池研发和工艺失效复盘。光伏研究正在从单点效率测量转向大面积均匀性、局部非辐射损失、失效定位和组件级分析。Microsurfer将EL、PL、QFLS/iVoc成像、IV和瞬态测量结合，适合钙钛矿、晶硅、叠层电池片及组件的工艺复盘。

4.1 技术特点

(1) 集成IV、PL强度/光谱/寿命、EL强度/光谱/瞬态等多维测试，可扩展超过16类失效分析功能；

(2) 测试尺寸覆盖300 mm×400 mm、600 mm × 1200 mm，并支持自动传送、分区测试和晶圆级多结电池探针台；

(3) 配置双成像光源、可调等效光强和高分辨相机，可记录PL/EL发光全过程并追溯测试参数；

(4) 可扩展iVoc与QFLS成像，并通过短路、负载等补偿设计提高大面积组件测试可靠性；

(5) EL、PL、QFLS/iVoc和IV数据可按同一区域关联分析，成像照明均匀性达到≥95%，兼顾电池片百微米级缺陷定位与组件级扫描，并支持QFLS/iVoc定量成像，用于区分裂纹、非均匀复合、接触与局部电阻问题。

4.2 产品优势

(1) 相较单一EL/PL缺陷成像设备，Microsurfer将电学、稳态光谱、寿命和瞬态联合诊断，更适合复杂失效溯源；

(2) 大面积自动分区与多结探针能力连接实验室器件研究和电池片、组件级质量分析；

(3) 测试参数数据库、视频记录和报告输出增强失效复盘的可追溯性与工程应用价值；

(4) 多种成像与电学方法针对同一区域互相验证，比单一EL或PL图像更容易区分缺陷类型和效率损失来源；

本研究构建EL、PLoc与PLsc三模态空间分辨成像结合LumPerNet深度学习框架，通过捕捉器件老化过程空间发光模式变化，使R²较全局强度法显著提升，实现钙钛矿电池效率保持率精准预测。东谱科技Microsurfer光伏EL/PL缺陷成像与综合测试平台，集成电致发光、光致荧光强度/光谱/寿命成像及IV等16种失效分析功能，正是将多模态发光成像与机器学习预测策略落地为工程化工具的载体，为钙钛矿光伏稳定性评估与失效溯源提供技术支撑。

原文参考：Quantifying Perovskite Solar Cell Degradation via Machine Learning from Spatially Resolved Multimodal Luminescence Time Series