Investigadores de la Universidad de Corea han desarrollado un modelo de aprendizaje automático para predecir la resistencia de hoja en los procesos de dopaje con oxicloruro de fósforo (POCl₃) en la fabricación de células solares.
“Nuestro estudio tiene como objetivo proponer una metodología para integrar el aprendizaje automático en los procesos industriales, con el fin de acelerar el avance de la Industria 4.0 y allanar el camino hacia la Industria 5.0”, declaró el autor principal de la investigación, Seungtae Lee, a pv magazine.
“Utilizamos datos recogidos de equipos que se asemejan mucho a herramientas reales de fabricación industrial”, continuó. “Con estos datos, desarrollamos un modelo de aprendizaje automático no solo para predecir la resistencia de hoja en función de las condiciones del proceso, sino también para optimizar dichas condiciones mediante la optimización bayesiana, de modo que se alcancen objetivos específicos de resistencia de hoja”.
En la producción de células solares, el POCl₃ se utiliza como precursor líquido de dopante para crear capas tipo n en el proceso de difusión térmica.
Para su modelización, los científicos consideraron diferentes condiciones del proceso del horno y valores de resistencia de hoja. Recogieron 3.420 datos experimentales, empleando diez variables del proceso como parámetros de entrada: temperatura de pre-deposición; tiempo de pre-deposición; condiciones de drive-in; temperatura de drive-in; tiempo de drive-in; parámetros de los gases del proceso; caudal de POCl₃, caudal de O₂ y presión del proceso; posición del bote de obleas; número de ranura de la oblea; y posición de la oblea.
El grupo de investigación utilizó el método SHapley Additive exPlanations (SHAP), que es un enfoque de la teoría de juegos para explicar la salida de cualquier modelo de aprendizaje automático, para analizar el impacto de cada característica en la predicción de la resistencia de hoja. “SHAP es una técnica de interpretabilidad basada en los valores de Shapley de la teoría de juegos”, remarcaron. “Proporciona un análisis cuantitativo completo que incluye la importancia de cada característica, la influencia de cada característica en las predicciones del modelo y las contribuciones específicas de características individuales en cada predicción a nivel de dato”.
Los académicos también emplearon la optimización bayesiana, habitualmente utilizada para abordar problemas complejos de optimización aproximando una función objetivo desconocida e identificando de manera eficiente sus valores mínimos o máximos, para identificar las condiciones óptimas del proceso aprovechando el modelo de aprendizaje automático entrenado. En concreto, buscaron identificar las condiciones que ofrecieran una resistencia de hoja cercana a 150 Ω/cuadro en condiciones “realistas” de producción de células solares.
El equipo realizó 100 pruebas en la fase inicial de muestreo aleatorio y 100 pruebas en la fase de optimización bayesiana.
Se comprobó que el enfoque propuesto logra una optimización más eficiente y rápida de las condiciones del proceso en comparación con los métodos convencionales y costosos de prueba y error utilizados en la industria fotovoltaica.
“Comprobamos que las representaciones aprendidas y las predicciones del modelo son coherentes con el conocimiento físico y teórico establecido. Esto aporta confianza en la fiabilidad y la interpretabilidad del modelo en entornos reales de fabricación”, añadió Lee. “Creemos que esta metodología podría extenderse más allá de la fabricación de células solares, a una amplia variedad de procesos industriales”.
El enfoque propuesto se describe en el estudio “Bayesian-optimization-based approach for sheet-resistance control in silicon wafers toward automated solar-cell manufacturing” (Enfoque basado en optimización bayesiana para el control de la resistencia de hoja en obleas de silicio hacia la fabricación automatizada de células solares), publicado en Materials Science in Semiconductor Processing.
Este contenido está protegido por derechos de autor y no se puede reutilizar. Si desea cooperar con nosotros y desea reutilizar parte de nuestro contenido, contacte: editors@pv-magazine.com.
Al enviar este formulario, usted acepta que pv magazine utilice sus datos con el fin de publicar su comentario.
Sus datos personales solo se divulgarán o transmitirán a terceros para evitar el filtrado de spam o si es necesario para el mantenimiento técnico del sitio web. Cualquier otra transferencia a terceros no tendrá lugar a menos que esté justificada sobre la base de las regulaciones de protección de datos aplicables o si pv magazine está legalmente obligado a hacerlo.
Puede revocar este consentimiento en cualquier momento con efecto para el futuro, en cuyo caso sus datos personales se eliminarán inmediatamente. De lo contrario, sus datos serán eliminados cuando pv magazine haya procesado su solicitud o si se ha cumplido el propósito del almacenamiento de datos.
Puede encontrar más información sobre privacidad de datos en nuestra Política de protección de datos.