올해 초 2층 태양전지는 33% 효율로 기록을 경신했다. 셀은 실리콘과 페로브스카이트라는 물질의 조합으로 만들어진다. 그러나 이러한 직렬형 태양전지는 이론적 한계인 약 45% 효율성과는 여전히 거리가 멀고 햇빛에 노출되면 빠르게 성능이 저하되어 유용성이 제한된다.

직렬형 태양전지를 개선하는 과정에는 서로 겹쳐서 서로 부족한 햇빛의 일부를 포착하는 완벽한 재료를 찾는 과정이 포함된다. 이에 대한 잠재적인 재료 중 하나는 독특한 입방체 안의 마름모 결정 구조로 정의되는 페로브스카이트이다. 이 구조는 다양한 비율의 많은 화학물질에 채택될 수 있다. 직렬형 태양전지에 적합한 후보를 만들려면 화학 물질의 조합이 올바른 밴드갭(태양 스펙트럼의 올바른 부분을 흡수하는 특성)을 가져야 하며, 가장 어려운 점은 조명 하에서 품질이 저하되지 않아야 한다는 것이다.

가능한 페로브스카이트 물질의 수는 방대하며, 주어진 화학 조성이 가질 특성을 예측하는 것은 매우 어렵다. 실험실에서 모든 가능성을 시험해 보는 것은 엄청나게 많은 비용과 시간을 소모한다. 이상적인 페로브스카이트 검색을 가속화하기 위해 노스캐롤라이나 주립대학의 연구원들은 로봇의 도움을 받기로 결정했다.

화학물질 검색 자동화

NCSU 교수이자 이 프로젝트의 주요 조사관인 아람 아마시안(Aram Amassian)은 "우리는 이 기술을 개선할 때마다 재료 변형을 처리한다."라고 말했다. “그래서 우리에게는 새로운 재료를 만들고 이러한 재료를 평가하는 능력이 필요하다. 이러한 자료를 보는 사람은 누구라도 반복적이고 매우 노동집약적인 작업을 해야 한다.”

이 작업을 줄이기 위해 아마시안 팀은 RoboMapper라는 사랑스러운 이름의 로봇을 만들었다. RoboMapper는 함께 작동하는 두 가지 주요 부분으로 구성된다. 첫 번째는 잉크 준비 봇이다. 일련의 기본 화학 물질이 주어지면 이 봇은 이를 다양한 비율로 결합하여 잠재적으로 페로브스카이트를 형성할 수 있는 수백 가지 잉크로 공식화한다. 두 번째는 이러한 잉크를 단일 기판에 그리드로 적용하는 인쇄 봇이다.

인간 수준의 손재주로는 불가능한 작업인 수백 개의 작은 샘플을 단일 칩에 배치하는 기능을 통해 연구자는 다양한 진단 도구를 사용하여 이러한 모든 샘플을 동시에 테스트할 수 있다. 연구원들은 이것이 수동 탐색에 비해 14배, 다른 자동화 방법에 비해 9배나 물질의 합성 및 특성화 속도를 향상시킨다고 말한다.

RoboMapper의 기능을 보여주기 위해 연구원들은 잠재적인 페로브스카이트 혼합물의 특정 세트를 테스트했다. 그들은 RoboMapper를 사용하여 세 가지 기본 성분을 수백 가지 비율로 혼합하고 모든 샘플을 단일 칩에 인쇄했다. 그런 다음 이 샘플을 테스트하여 구조, 밴드갭 및 빛 노출 시 안정성을 확인했다. 이러한 가속화된 테스트를 통해 그들은 이러한 중요한 특성이 변화하는 구성에 따라 어떻게 달라지는지에 관한 정량적 모델을 구축했다. 아마시안은 "우리는 예측 모델을 구축하고 데이터 포인트 사이의 영역을 살펴볼 수 있다."고 말했다. "때때로 더 나은 구성이 화학 구성 공간의 예상치 못한 영역에 있을 수도 있다."

연구팀은 RoboMapper 워크플로를 사용하여 직렬 태양 전지에 사용하기 위해 원하는 특성을 나타내는 "이상적인" 페로브스카이트 혼합물을 성공적으로 식별했다. 이 샘플은 적절한 밴드갭을 갖고 있으며 다른 샘플에 비해 빛 노출 시 천천히 분해된다.

진행중인 작업

이번 발견은 직렬형 태양전지 기술 발전을 향한 여정의 예비 단계를 나타낸다. 아마시안 팀은 페로브스카이트 자체만 테스트했으며 이를 실리콘(또는 다른 기판)과 결합하여 직렬 전지를 만들지 않았다. 그러나 연구원들은 가속화된 도구를 사용하여 다른 잠재적 혼합물을 테스트하고 유망한 새로운 후보를 빠르게 찾고 있다.

RoboMapper를 사용하면 연구원의 시간이 절약될 뿐만 아니라 새로운 재료를 테스트하는 데 드는 에너지 비용도 절감된다. 실제로 이 기술을 사용하면 하나의 재료를 테스트하는 데 컴퓨터를 사용하여 해당 특성을 시뮬레이션하는 데 드는 에너지 비용이 더 저렴할 수 있다. 이를 통해 연구자들은 직접 사용하거나 머신러닝 기술을 부트스트랩하기 위해 훨씬 더 많은 실제 데이터를 생성할 수 있다. 아마시안은 "예를 들어 머신러닝 및 AI 모델을 훈련하려면 더 많은 데이터가 필요하다."라고 말했다. “우리는 더 높은 품질의 데이터가 필요하다. 그리고 고차원 공간을 효율적으로 탐색해야 한다.”

이 접근 방식은 페로브스카이트나 태양 전지 응용 분야에만 국한되지 않고 이미 데이터 기반 반도체 연구를 활성화하는 데 사용되고 있다. "우리는 RoboMapper를 설계할 때 매우 유연하고 모듈식이며 확장 가능하도록 설계했다."라고 Amassian은 말했다. 잉크 기술을 사용하여 제조할 수 있는 재료에 대한 검색은 인쇄 전자 장치를 포함하여 이 기술을 통해 가속화될 수 있다. 왜냐하면 RoboMapper는 무엇보다도 주문형 잉크 가능 재료를 구성하고 인쇄하는 로봇이기 때문이다.