Physik-informierte KI-Modelle zur interpretierbaren Datenanalyse

Das Fraunhofer ISE hat einen Digitalen Zwilling der Solarzelle entwickelt, der Deep-Learning-Modelle und physikbasierte Simulationsmethoden kombiniert. Dieser Digitale Zwilling ermöglicht eine Echtzeit-Qualitätskontrolle und Inline-Verlustanalyse von Solarzellen allein auf Basis von inline zugänglichen Messdaten und schafft damit die Basis für eine zielgerichtete und effiziente Prozessoptimierung. Durch die Kombination von simulationsbasierten Modellen und Expertenwissen mit maschinellem Lernen wird eine interpretierbare und physikalisch genaue Repräsentation jeder einzelnen Solarzelle geschaffen. Der Physik-informierte Ansatz ermöglicht eine Fusion und Kompression von Messdaten und somit eine effiziente Speicherung und Analyse der am Werkstück erhobenen Messdaten.

Das Fraunhofer ISE hat ein neuartiges, Physik-informiertes maschinelles Lernmodell entwickelt zur schnellen, präzisen und vollflächigen Bestimmung der Schichtdicke von transparenten leitenden Oxiden (TCO) in Solarzellen. Mithilfe von Multispektralbildern und synthetischen Trainingsdaten ermöglicht dieses Modell eine umfassende Qualitätskontrolle und Prozessanalyse während des Produktionsprozesses. Die Technologie ermöglicht die Erstellung von vollständigen Dickenkarten der TCO-Schicht in nur einer Sekunde und verbessert somit die Qualitätskontrolle in der Produktion von Heterojunction (HJT)-Solarzellen und damit deren Effizienz und Zuverlässigkeit.