传统上，测试新型太阳能电池技术的过程缓慢而昂贵，需要多个流程。在五年级博士生的带领下，约翰霍普金斯大学的团队开发了一种机器学习方式，有望大大加快这一过程，为更高效、更便宜的可再生能源化解方案铺平道路。

“大家的工作表明，机器学习可以简化太阳能电池测试过程，”团队负责人KevinLee表示，他与电气和计算机工程研究生ArleneChiu、YidaLin、SreyasChintapalli和SereneKamal以及本科生EricJi一起参加了该项目。“这不仅节省了时间和资源，还为清洁能源技术开发开辟了新的也许性。”

新型太阳能材料和设备商业化的主要障碍是漫长的制造-测试-迭代周期。优化一种新型太阳能电池材料以推给市场是壹个艰巨的过程。设备制造完成后，需要进行多次耗时的测量以知道其材料特性。然后运用这些数据来调整制造工艺，并重复这一循环。

新方式通过从一次测量中提取全部材料的重要特性，大大减少了这一时间。与其他运用计算机SIM数据进行训练的方式不同(这些方式通常会产生不准确的结果)，霍普金斯团队的方式运用的是真正世界的数据。

他们的神经网络从壹个太阳能电池收集了数千个数据点，捕捉了复杂的特性和由缺陷引起的变化，例如旋铸条纹、裂纹和污染物，从而无需制造数千个太阳能电池。

“凯文的方式有也许加快光伏发电的发展速度，”李的顾问兼研究合著者苏珊娜·索恩(SusannaThon)表示，苏珊娜·索恩是约翰霍普金斯大学惠廷工程学院电气与计算机工程副教授，同时也是该大学拉尔夫奥康纳可持续能源研究所副主任。

“借助Kevin的机器学习算法，他无需费力地对多台设备进行多次测量来知道设备行为，只需通过一次大约30秒的测量，他就能告知你有关设备及其属性的全部信息。”

Lee的系统的另壹个新颖特征是它从太阳能电池获得数据的空间图并将其转换为图像。

“通常，在制造出新的太阳能电池后，最常见的测量结果之一就是JV曲线，它的作用是测量电池对光的响应，”Lee说。

“大家的想法是将这些JV曲线图转换成图像，这样大家就可以利用为计算机视觉而非材料科学应用开发的先进机器学习模型来学习太阳能电池行为的玩法。”

新方式的另壹个好处是它适用于太阳能电池以外的各种材料和设备，有也许加快从材料发现到市场应用的时间表。

“理论上，大家开发的系统可用于测量其他设备，如晶体管和光传感器，”李说。“该系统节省的时间和准确性可使各种新技术最快地诞生，我很高兴看到这种情况发生。”