德国研究人员在光伏材料领域取得了一项创新，他们开发了一种数字孪生模型，这种模型结合了机器学习和工程物理模型，旨在提高太阳能行业和相关研究中的成功率。这一模型的开发由德国埃尔兰根纽伦堡弗里德里希亚历山大大学的研究团队负责，他们希望通过这一模型加速光伏制造产业的创新进程。
数字孪生是一种工程科学领域的概念，它指的是为实体资产创建一个数字模型，这个模型可以模拟物理实体的性能和状态。与多尺度仿真不同，数字孪生利用实时传感器和物理模型来评估物理资产的当前和未来状态。
研究论文的通讯作者Ian Marius Peters在接受《光伏杂志》采访时表示，他们试图将高通量实验和科学理论结合起来。他们所设想的数字孪生不仅对应实体实验基础设施，其本身也是基础设施的一部分。他们的目标是解决为光伏应用设计全新材料这一重大挑战，这个过程包括从分子设计到太阳能电池集成的整个流程。为了实现这一目标，他们必须找到对多种分子、加工条件、层堆叠和运行条件进行快速分类的方法。
Peters指出，关键在于将高能量实验和科学理论结合起来。从数学的角度来看，这意味着对不同时间和长度尺度上的多个相关过程进行优化。他们的数字孪生模型是多种模型和优化例程的组合，包括贝叶斯优化和高斯过程回归，这一切都是为了在不同阶段提供实验数据，从而实现优化。
这个工具的目标是让研究人员和制造商能够跨不同阶段进行信息流动。Peters补充说，例如，如果他们希望找到一种可以通过某种过程满足可回收需求的材料，他们就会将这些信息输入到数字孪生中，从而根据相应的回收边界条件来推进分子设计过程。
在《焦耳》杂志上发表的论文中，Peters和他的同事们解释称，传统光伏研究中的创新往往是偶然发现的，并且他们表示未来颠覆性的发现几率将越来越低。他们探讨的数字孪生方法强调缩小第一原理计算和实验之间的差距，以增加发现数量，并确保在不具备直接资产信息的情况下进行有依据的决策。
数字孪生的最大特征包括冗余拒绝、不确定性量化以及实时预测。它依赖于材料加速平台（MAP），能够将实验空间划分为分子、薄膜和设备，并加以利用。研究小组解释说，数字孪生的目标是提供逆向分子和工艺设计能力，帮助研究人员发现符合第一原理并具有全新特性的材料，满足当前看似相互矛盾的各种要求。数字孪生将使他们能够利用高通量、强大且快速的代理实验，通过级联代理来预测跨尺度属性并整理出经过优化的解决方案。
展望未来，科学家们表示，跨实验室和跨尺度的合并对于改善第一原理建模中的数据验证和参数化处理至关重要。此外，他们还希望建立材料设计优化的流程。研究人员最后总结说，通过增强数字孪生在不确定条件下的优化能力，他们将确保它能充分利用现有知识，为高质量材料的设计工作提供高效可靠的解决方案。
如有侵权，请联系删除。