D’après pv magazine International
Des chercheurs de l’Université de Corée ont développé un modèle d’apprentissage automatique capable de prédire la résistance en feuille lors des procédés de dopage au phosphore oxychlorure (POCl₃) utilisés dans la fabrication de cellules solaires. L’approche a été détaillée dans l’étude intitulée « Bayesian-optimization-based approach for sheet-resistance control in silicon wafers toward automated solar-cell manufacturing », publiée dans la revue Materials Science in Semiconductor Processing. La résistance en feuille qui dépend de la profondeur de la jonction pn et du profil de concentration en P.
« Notre étude vise à proposer une méthodologie d’intégration de l’apprentissage automatique dans les processus industriels, afin d’accélérer la transition vers l’Industrie 4.0 et de poser les bases de l’Industrie 5.0, a expliqué Seungtae Lee, auteur principal de l’étude, à pv magazine. Nous avons pour cela utilisé des données issues d’équipements qui reproduisent fidèlement les outils industriels réels. À partir de ces données, nous avons développé un modèle d’apprentissage automatique capable non seulement de prédire la résistance en feuille en fonction des conditions de procédé, mais aussi d’optimiser ces conditions, grâce à l’optimisation bayésienne, afin d’atteindre des cibles précises ». Dans la production de cellules solaires, le POCl₃ est utilisé comme précurseur liquide de dopage pour créer des couches de type n durant le processus de diffusion thermique.
Pour construire leur modèle, les scientifiques ont pris en compte différentes conditions de traitement au four et les valeurs de résistance en feuille correspondantes. Ils ont collecté 3 420 points de données expérimentales, en utilisant 10 variables de procédé comme paramètres d’entrée : température et durée de pré-dépôt, conditions et durée de diffusion, paramètres des gaz de procédé, débits de POCl₃ et d’oxygène, pression de procédé, position du support de wafers, numéro de la fente du wafer et position du wafer.
L’équipe a utilisé la méthode SHAP (SHapley Additive exPlanations), une approche issue de la théorie des jeux permettant d’expliquer les résultats d’un modèle d’apprentissage automatique. « SHAP est une technique d’interprétabilité basée sur les valeurs de Shapley, qui fournit une analyse quantitative complète de l’importance des variables, de leur influence sur les prédictions et de leur contribution spécifique à chaque prédiction, à l’échelle de chaque point de données », précise l’étude.
Les chercheurs ont également eu recours à l’optimisation bayésienne, une méthode souvent utilisée pour résoudre des problèmes complexes d’optimisation en approximant une fonction objectif inconnue et en identifiant efficacement ses valeurs minimales ou maximales. L’objectif était ici de déterminer les conditions de procédé permettant d’atteindre une résistance en feuille d’environ 150 Ω/sq, dans des conditions réalistes de fabrication de cellules solaires. Leur approche s’est déroulée en deux phases : 100 essais aléatoires initiaux, suivis de 100 essais guidés par l’optimisation bayésienne.
Les résultats ont montré que cette méthodologie permet une optimisation plus rapide et plus efficace des paramètres de procédé, comparée aux méthodes classiques d’essais-erreurs, coûteuses et longues, traditionnellement utilisées dans l’industrie photovoltaïque. « Nous avons constaté que les représentations et prédictions apprises par le modèle sont cohérentes avec les connaissances physiques et théoriques établies. Cela renforce la fiabilité et l’interprétabilité du modèle dans des environnements industriels réels, a ajouté Seungtae Lee. Nous pensons que cette méthodologie peut être étendue au-delà de la fabrication de cellules solaires, à un large éventail de procédés industriels ».
Ce contenu est protégé par un copyright et vous ne pouvez pas le réutiliser sans permission. Si vous souhaitez collaborer avec nous et réutiliser notre contenu, merci de contacter notre équipe éditoriale à l’adresse suivante: editors@pv-magazine.com.
En transmettant ce formulaire vous acceptez que pv magazine utilise vos données dans le but de publier votre commentaire.
Vos données personnelles seront uniquement divulguées ou transmises à des tierces parties dans une optique de filtre anti-spams ou si elles s’avèrent nécessaires à la maintenance technique du site web. Un transfert de vos données à des tierces parties pour toute autre raison ne pourra se faire que s’il est justifié par la législation relative à la protection des données, ou dans le cas où pv magazine y est légalement obligé.
Vous pouvez révoquer ce consentement à tout moment avec effet futur, auquel cas vos données personnelles seront immédiatement supprimées. Dans le cas contraire, vos données seront supprimées une fois que pv magazine aura traité votre requête ou lorsque le but du stockage des données est atteint.
Pour de plus amples informations sur la confidentialité des données, veuillez consulter notre Politique de Protection des Données.