توسعه مدل یادگیری عمیق با استفاده از شبکه عصبی پیچشی بر پایه داده های ماتریسی برای پیش بینی بازدهی سلول های خورشیدی پروسکایتی

سلول های خورشیدی پروسکایتی به دلیل روش های ساخت آسان، هزینه ساخت پایین، در دسترس بودن مواد اولیه و بازدهی بالا، در عرض یک دهه گذشته رشد چشمگیری در مقایسه با سایر انواع دیگر سلول های خورشیدی داشته اند [۱ و ۲]. با وجود تعداد و تنوع بالای پژوهش های انجام شده هنوز یک ساختار مشخص با بازدهی بالا و پایداری قابل قبول مورد اجماع محققین قرار نگرفته است [۳]. با این حال، تنوع و حجم تحقیقات منجر به تولید انبوهی داده درباره این سلول ها شده است [۳]. هوش مصنوعی که امروزه به عنوان یکی از ابزارهای قدرتمند در زمینه یافتن الگوهای نظام مند میان داده های بزرگ و پیش بینی ساختارهای جدید شناخته شده است، می تواند سرعت به ثمر نشستن تحقیقات را به میزان قابل توجهی افزایش دهد [۳]. هدف از این پژوهش استفاده از هوش مصنوعی به منظور شناسایی الگوهای موجود در یک پایگاه داده بسیار بزرگ از نتایج مرتبط با سلول خورشیدی پروسکایت است. عدم دسترسی به داده های پاک و تمیز و قابل پردازش، نیاز به آماده سازی داده ها برای هر هدف اختصاصی به طور جداگانه، موجود نبودن بسیاری از داده های مرتبط با پارامترهای مختلف در پایگاه داده و تنوع زیاد مواد به کار رفته در ساخت / مشخصه یابی سلول خورشیدی پروسکایت از مهم ترین چالش های کار روی این پایگاه های داده عمومی است. نکته حائز اهمیت برای به کارگیری روش هوش مصنوعی در هر موضوع، ساده کردن مسئله و کاستن از پیچیدگی های آن است. ساده سازی مسئله به خودی خود دو جنبه دارد: جنبه اول تنوع پارامترهای فیزیکی موجود در پایگاه داده و جنبه دوم گستردگی خود داده ها است. در این تحقیق با استفاده از داده های موجود در یک پایگاه داده مربوط به سلول های خورشیدی پروسکایتی [۳] (شامل حدود ۴۳،۰۰۰ رکورد و بیش از ۲۰۰ پارامتر)، در راستای مواردی که در بالا به آن اشاره شد یک ساختار ماتریس باینری ایجاد شد تا بتوان تنها با در اختیار داشتن نام مواد و موقعیت قرارگیری آن ها در سلول بازدهی را پیش بینی کرد. برای این منظور ساختار سلول به پنج لایه اصلی تقسیم بندی شده و هر لایه نیز به تعدادی زیر لایه تقسیم شده است. پایگاه داده نهایی پس از طی مراحل آماده سازی و پاکسازی شامل ۳۷،۰۰۰ رکورد و شش ستون است که پنج ستون آن مربوط به لایه های اصلی است. این ستون ها تشکیل شده از ماتریس های باینری معرف مواد به کار رفته در لایه اصلی و سطرهای ماتریس ها نیز معرف زیرلایه ها هستند. اگر ماده ای در یک زیر لایه وجود داشته باشد درایه مربوطه در ماتریس ۱ و در غیر این صورت ۰ در نظر گرفته می شود. در ستون ششم نیز داده های مربوط به بازدهی سلول ها به عنوان ستون هدف قرار گرفته اند. در پایان پس از آماده سازی داده ها مدل های متعددی برای آموزش استفاده شد: Neural Network, Random Forest Regression, LightGBM Regressor, XGBoost Regressor, CatBoost Regression, (MLP و Convolutional Neural Network) [۴]. در میان مدل های به کار رفته مدل CNN، یک مدل یادگیری عمیق که برای پردازش ماتریس ها استفاده می شود، پیش بینی دقیق تری ارائه کرد [۵]. این مدل با استفاده از پایگاه داده متشکل از داده های ماتریسی لایه ها و داده های عددی بازدهی آموزش داده شد. مدل مذکور به دو روش آموزش دید: یکی با تنظیم دستی هایپرپارامترها و دیگری با استفاده از الگوریتم بهینه سازی Hyperband. در روش اول مدل به ضریب تعیین ۰.۴۹ و میانگین قدر مطلق خطای ۲.۸ در تعیین بازدهی دست یافت. در روش دوم مدل توانست به ضریب تعیین ۰.۵۴ و میانگین قدر مطلق خطای ۲.۶ در تعیین بازدهی برسد. هرچند مقدار ضریب تعیین پیش بینی شده در این جا در ظاهر مناسب نیست اما این نتیجه نشان می دهد که ساختار ماتریسی انتخاب شده برای داده به درستی عمل کرده و مدل توانسته در عین حال که از پیچیدگی های ساختار پایگاه داده اصلی به طور قابل توجهی کاسته است، الگویی مشخص در داده بیابد و بازدهی سلول را با تقریب قابل قبولی پیش بینی کند. شکل ۱ نتایج تست و مقایسه مدل های آموزش داده شده را نشان می دهد.

کلیدواژه ها:

سلول خورشیدی ، پروسکایت ، روش یادگیری ، ماشین ، شبکه عصبی پیچشی