三束光'合診'鈣鈦礦衰減——EL+PL空間分辨成像+機器學習，R²比全局強度法提升4倍

1 背景與問題

鈣鈦礦太陽能電池憑借其卓越的光電轉換效率（PCE，已超過27%）在光伏領域占據了重要地位，被視為未來大規模光伏部署的有力競爭者或補充技術。然而，除了製備工藝的可擴展性外，運行穩定性仍是製約其商業化推廣的關鍵瓶頸。

與經過數十年驗證、具有適度衰減特性的晶矽光伏不同，PSCs對環境應力（如濕度、氧氣、紫外光和熱循環）高度敏感。在運行過程中，PSCs常發生複雜的物理化學變化，包括相變、離子遷移、界面降解以及晶體結構向富鹵化鉛相的不可逆轉化。傳統的電氣診斷方法，如光照下的電流-電壓（J-V）掃描，雖然能提供準確的性能指標，但不僅耗時，而且無法解析空間局部化的衰減情況。為了加速穩定性測試並實現非侵入式的現場監測，亟需一種能夠快速、精準且具備空間分辨能力的監測技術。

2 核心方案

針對上述挑戰，論文《Quantifying Perovskite Solar Cell Degradation via Machine Learning from Spatially Resolved Multimodal Luminescence Time Series》提出了一種基於深度學習的創新框架。該研究利用多模態發光成像技術，通過機器學習直接從器件老化過程中的圖像數據估算PSC的效率保持率（）。

該方案的核心在於構建了一個自動化的監測平台，集成了溫度控製、源測量單元（SMU）以及高分辨率sCMOS相機。研究采用了三種互補的成像模態：

(1) 電緻發光（EL）：在正向偏壓（1.5 V）下注入載流子，誘導輻射複合；

(2) 開路光緻發光（）：在開路條件下，利用470 nm藍光LED激發載流子，探測高準費米能級分裂條件下的輻射複合通道；

(3) 短路光緻發光（）：在短路條件下進行PL成像，探測載流子提取機製，PL的猝滅通常表明有效的電荷提取。

圖1.實驗監測流程及獲取的數據模式。一個定製的腔室集成了溫度控製單元和光源-測量單元（SMU），配備兩個照明通道（白色LED用於J-V測量，藍色LED用於PL激發）以及一台sCMOS相機，實現空間分辨成像。在用戶選定的老化時間點，自動化監測循環可生成每種器件對應的多模態時間序列數據，包括開路（PLoc）和短路（PLsc）下的PL圖像、正向偏壓（1.5 V）下的EL圖像，以及相應的J-V曲線。

通過將老化狀態下的圖像與初始狀態（）的參考圖像配對，模型能夠學習相對於初始條件的、與降解相關的空間變化。研究引入了名為LumPerNet的緊湊型卷積神經網絡（CNN），從堆疊的多模態圖像張量中回歸，並將其與僅依賴平均強度的基線模型進行了對比。

3 實驗結果與分析

研究在包含59個器件、跨越5-70小時老化時間的綜合數據集上驗證了該方法的有效性。實驗結果表明，利用空間分辨的多模態發光模式，相比僅依賴全局發光強度的基線，顯著提升了預測性能和魯棒性。

在的操作窗口內，LumPerNet模型在獨立測試集上取得了優異的表現：

圖2.在預留測試集上，LumPerNet的集合均值一緻性圖及絕對誤差分布。該性能是通過利用空間模式而非僅依賴平均強度來實現的。上圖：六邊形直方圖，比較實際測得的RPCE值與由四個交叉驗證訓練的LumPerNet模型輸出平均值計算得到的集合均值預測值ˆy（每個測試樣本對應一個預測結果）。顏色表示每個直方圖區域內的樣本數量，虛線表示理想的ˆy = y關系；圖中插入部分顯示了相應的集合性能指標。圖中插入部分所示指標基於在預留測試集上評估的集合均值預測器（4折訓練模型的均值）計算得出，而表2則報告了各折測試評估的均值±標準差。對角線周圍可見的條帶反映了測試集的縱向特性，即每台設備上有多個測量值，這些測量值在統計上並不獨立；因此，設備特異性的殘差結構可能表現為相關散點。下圖：預留測試集中絕對殘差|yˆ − y| 的分布樣本總結了在操作範圍RPCE ∈ [0.8，1.2]內預測誤差的典型幅度和分布。

此外，研究通過消融實驗深入分析了不同成像模態的貢獻。結果顯示，多模態訓練能實現最佳泛化能力。特別是的組合表現最佳，最接近全模型性能（），而也表現出很強的競爭力。這證明了物理互補的對比度（如複合與提取機製的結合）而非簡單的通道數量增加，才是提升魯棒性的關鍵。定性分析進一步表明，LumPerNet能夠準確重構器件隨時間的降解軌跡，捕捉到主導的降解趨勢。

4 產品介紹

Microsurfer

光伏EL/PL缺陷成像與綜合測試

Microsurfer是一款太陽能電池片與組件多維缺陷和失效分析平台，用於聯合開展IV、PL、EL、壽命、瞬態及成像測試。系統主要用於從局部缺陷進一步追溯效率損耗和失效機製。適用於電池片質量分析、組件分區測試、多結電池研發和工藝失效複盤。光伏研究正在從單點效率測量轉向大面積均勻性、局部非輻射損失、失效定位和組件級分析。Microsurfer將EL、PL、QFLS/iVoc成像、IV和瞬態測量結合，適合鈣鈦礦、晶矽、疊層電池片及組件的工藝複盤。

4.1 技術特點

(1) 集成IV、PL強度/光譜/壽命、EL強度/光譜/瞬態等多維測試，可擴展超過16類失效分析功能；

(2) 測試尺寸覆蓋300 mm×400 mm、600 mm × 1200 mm，並支持自動傳送、分區測試和晶圓級多結電池探針台；

(3) 配置雙成像光源、可調等效光強和高分辨相機，可記錄PL/EL發光全過程並追溯測試參數；

(4) 可擴展iVoc與QFLS成像，並通過短路、負載等補償設計提高大面積組件測試可靠性；

(5) EL、PL、QFLS/iVoc和IV數據可按同一區域關聯分析，成像照明均勻性達到≥95%，兼顧電池片百微米級缺陷定位與組件級掃描，並支持QFLS/iVoc定量成像，用於區分裂紋、非均勻複合、接觸與局部電阻問題。

4.2 產品優勢

(1) 相較單一EL/PL缺陷成像設備，Microsurfer將電學、穩態光譜、壽命和瞬態聯合診斷，更適合複雜失效溯源；

(2) 大面積自動分區與多結探針能力連接實驗室器件研究和電池片、組件級質量分析；

(3) 測試參數數據庫、視頻記錄和報告輸出增強失效複盤的可追溯性與工程應用價值；

(4) 多種成像與電學方法針對同一區域互相驗證，比單一EL或PL圖像更容易區分缺陷類型和效率損失來源；

本研究構建EL、PLoc與PLsc三模態空間分辨成像結合LumPerNet深度學習框架，通過捕捉器件老化過程空間發光模式變化，使R²較全局強度法顯著提升，實現鈣鈦礦電池效率保持率精準預測。東譜科技Microsurfer光伏EL/PL缺陷成像與綜合測試平台，集成電緻發光、光緻熒光強度/光譜/壽命成像及IV等16種失效分析功能，正是將多模態發光成像與機器學習預測策略落地為工程化工具的載體，為鈣鈦礦光伏穩定性評估與失效溯源提供技術支撐。

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