ペロブスカイト太陽電池デバイスのAI主導型逆設計のための深層生成モデリング
Deep generative modeling for AI-guided inverse design of perovskite photovoltaic devices
本研究では、ペロブスカイト太陽電池(PSC)のデバイスパラメータと電力変換効率(PCE)の間の高次元かつ非線形な相関関係による性能向上の制約を克服するため、AI主導型の逆設計フレームワークを開発した。このフレームワークは、目標とする光起電力特性に基づいてデバイスパラメータの条件付き分布を学習する。49,998件のPSCのドリフト拡散シミュレーションデータを用いて、物理情報に基づいた特徴量エンジニアリングパイプラインと、厳密な漏洩制御下での5分割交差検証プロトコルを採用した。条件付き変分オートエンコーダー(cVAE)に特徴量ごとの線形変調(FiLM)と分類子フリーガイダンス(CFG)を組み込み、目標とするVoc、Jsc、FF、PCEに基づいてデバイス候補を生成する。XGBoostサロゲートモデルはPCE予測においてR2 = 0.8661 ± 0.0020を達成し、他の5つの競合モデルを統計的に上回った。SHAP、パーミュテーション重要度、相互情報量分析により、寄生直列抵抗と粒界欠陥密度がPCEを制限する主要因であることが示された。最適なガイダンススケール(w = 1.5)において、cVAE+CFGは目標値の90パーセンタイル、99パーセンタイル、「Ultra」ターゲットに対してそれぞれ73.7%、12.6%、3.4%のヒット率を達成し、ランダムサンプリングと比較してそれぞれ8.9倍、25.2倍、34倍以上の改善が見られた。生成されたデバイスはエネルギー準位のマージナル分布を維持しつつ、高性能サブ多様体に質量を集中させることが確認された。このフレームワークは、次世代ペロブスカイト太陽電池デバイスの設計を加速するための、転移可能で再現性があり、統計的に厳密な方法論を提供する。
- ペロブスカイト太陽電池デバイスのAI主導型逆設計フレームワークを開発し、cVAE+CFGにより目標値の90パーセンタイル、99パーセンタイル、「Ultra」ターゲットに対してそれぞれ73.7%、12.6%、3.4%のヒット率を達成し、ランダムサンプリングと比較して8.9倍、25.2倍、34倍以上の改善を示した。
- XGBoostサロゲートモデルはPCE予測においてR2 = 0.8661 ± 0.0020を達成し、他の5つの競合モデルを統計的に上回った。
本記事は太陽電池デバイス設計へのAI活用を示す研究であり、ペロブスカイト太陽電池(PSC)の性能向上にAI主導の逆設計フレームワークが有効であることを定量的に示している。投資家視点では、材料・デバイス設計という物理・化学分野へのAI応用の進展を確認できる点に価値があるが、具体的な企業の成果や製品化、調達などのビジネス事象は含まれておらず、投資判断に直結する情報は限定的である。ただし、PSCはエネルギー分野でも有望な技術であり、AIによる設計最適化の進展は関連スタートアップや研究開発投資の動向把握に有用である。