基于深度Q学习的超薄碲化镉太阳能电池全栈优化设计及其光电性能提升

来自国内的研究人员针对超薄CdTe太阳能电池的光电转换效率优化难题，创新性地采用深度Q学习(DQL)算法耦合传输矩阵法(TMM)和SCAPS-1D电学模型，成功实现了100-400nm活性层厚度范围内的全栈结构优化。该研究在100nm超薄条件下获得9.39%的转换效率，Jsc达11mA/cm2，400nm时效率提升至15.75%，为新一代轻量化光伏器件开发提供了智能优化范式。

　　

这项突破性研究展示了人工智能在光伏领域的革命性应用。科研团队巧妙地将深度Q学习(DQL)这一强化学习算法引入超薄碲化镉(CdTe)太阳能电池的优化设计，通过智能代理自主探索SnO₂/CdS/CdTe/MoO₃/Au多层结构的参数空间。研究创新性地整合了传输矩阵法(TMM)进行光学模拟和SCAPS-1D进行电学特性分析，使DQL智能体能够同步优化光波传播特性和载流子输运行为。

在100nm极限厚度条件下，优化结构展现出惊人的9.39%光电转换效率，短路电流密度(J_sc)突破11mA/cm²；当活性层增至400nm时，效率飙升至15.75%，J_sc达到20.86mA/cm²。外量子效率(EQE)谱和光吸收谱证实，这种智能优化策略显著增强了亚微米结构中的内反射和光捕获效应，同时有效抑制了载流子复合。

该研究开创性地证明，通过机器学习驱动的全栈协同优化，即使在超薄吸收层条件下，也能实现媲美传统厚膜器件的光伏性能。这项工作为开发新一代环境友好、材料节约的高效光伏技术提供了可扩展的智能设计框架，标志着人工智能在可再生能源领域应用的重大突破。