Dissertation/ Thesis
Developing artificial intelligence strategies to accelerate scientific research: application to thin-film photovoltaic technologies
| Τίτλος: | Developing artificial intelligence strategies to accelerate scientific research: application to thin-film photovoltaic technologies |
|---|---|
| Συγγραφείς: | Garí Galíndez, Jon |
| Συνεισφορές: | University/Department: Universitat Politècnica de Catalunya. Departament de Física |
| Thesis Advisors: | Izquierdo Roca, Víctor, Guc, Maxim, Mazzanti Castrillejo, Fernando Pablo |
| Πηγή: | TDX (Tesis Doctorals en Xarxa) |
| Στοιχεία εκδότη: | Universitat Politècnica de Catalunya, 2026. |
| Έτος έκδοσης: | 2026 |
| Φυσική περιγραφή: | 148 p. |
| Θεματικοί όροι: | Accelerated Research, Machine Learning, Explainable Artificial Intelligence, Physical Interpretation, Spectroscopic, Data Analysis, Thin-Film Photovoltaics, Kesterite, Àrees temàtiques de la UPC::Física, Àrees temàtiques de la UPC::Energies, Àrees temàtiques de la UPC::Enginyeria química, Àrees temàtiques de la UPC::Informàtica, 53 - Física, 620 - Assaig de materials. Material comercials. Economia de l'energia, 544 - Química física, 004 - Informàtica |
| Περιγραφή: | Tesi en modalitat de compendi de publicacions |
| Description (Translated): | (English) The development cycle of new materials-based technologies typically spans 15-25 years due to the constantly increasing complexity of experimental research processes. Accelerating this process is essential to enable large-scale implementation of sustainable technologies that support the green energy transition and secure the electrification of society. Photovoltaics (PV) play a central role in this transition, particularly novel thin-film photovoltaic (TFPV) technologies, which promise to significantly broaden the application of solar modules in everyday life. Therefore, accelerating their development and transfer is key to achieving this goal. In this context, recent advances in artificial intelligence (AI), explainable artificial intelligence (XAI), robotics, and automation have enabled a new paradigm: the data-driven materials science, capable of accelerating materials discovery and optimization. However, despite the increasing use of machine learning (ML) in materials science, the application of XAI approaches to real experimental characterization datasets remains limited, and the translation of ML model outputs into physically meaningful insights is still a major challenge. The present work addresses this challenge by exploring and developing AI-driven strategies for the analysis and interpretation of experimental characterization data, following a proposed interpretability framework aimed at both accelerating research and enhancing explainability of ML models. The work begins by implementing and optimizing different training strategies for restricted Boltzmann machines (RBMs) using benchmark datasets. This study is aligned with the first level of the interpretability framework (Level 1: Using AI) and establishes the basis for the implementation of ML algorithms in experimental characterization datasets. Subsequently, an initial approach to XAI-driven strategies for extracting valuable information from experimental characterization data of kesterite-based TFPV devices is developed (Level 2: Using XAI), demonstrating the potential of interpretable ML models for identifying correlations between the physicochemical properties of materials and the PV performance of devices. Finally, building on this progression, an integrated XAI-driven methodology is implemented to analyze multimodal datasets obtained from holistic characterization of kesterite-based solar cells. It integrates the entire research cycle, from synthesis and characterization to data analysis, interpretation, and extraction of valuable feedback for further technology optimization. Particular emphasis is placed on interpretability, where the combination of intrinsic XAI models with post-hoc XAI techniques enables the identification of the physicochemical properties that govern device performance and reproducibility, linking the relevant spectral zones with the corresponding physical properties. This strategy reaches the third level of the interpretability framework (Level 3: Using XAI+) and provides meaningful feedback to guide subsequent research cycles. This feedback is validated through modified fabrication processes, resulting in improved device performance. Furthermore, it substantially reduces research cycle times, accelerating material optimization from timescales exceeding one year to less than a week. These results contribute to the development of self-driving laboratory (SDL) approaches and the advancement of data-driven materials research, ultimately supporting the green energy transition. (Català) El cicle de desenvolupament de noves tecnologies basades en materials normalment triga entre 15-25 anys degut a la constant creixent complexitat dels processos de recerca experimentals. Accelerar aquest procés és essencial per permetre la implementació a gran escala de tecnologies sostenibles que donin suport a la transició energètica i garanteixin l’electrificació de la societat. Les tecnologies fotovoltaiques (PV) tenen un paper central en aquesta transició, en particular les noves tecnologies fotovoltaiques de capa fina (TFPV), que prometen ampliar significativament l’aplicació de mòduls solars en el nostre dia a dia. Per tant, accelerar el seu desenvolupament i transferència és clau per assolir aquest objectiu. En aquest context, els recents avenços en intel·ligència artificial (IA), intel·ligència artificial explicable (XAI), robòtica, i automatització han establert un nou paradigma: la ciència de materials basada en dades, capaç d’accelerar el descobriment i l’optimització de materials. No obstant això, malgrat el creixent ús de l’aprenentatge automàtic (ML) en la ciència de materials, l’aplicació d’enfocaments XAI a conjunts de dades (datasets) experimentals reals de caracterització segueix sent limitada, i la traducció de les sortides dels models de ML en informació amb significat físic continua sent un repte important. Aquest treball aborda aquest repte mitjançant l’exploració i el desenvolupament d’estratègies basades en IA per analitzar i interpretar dades experimentals de caracterització, seguint un marc d’interpretabilitat proposat en aquesta tesi, orientat tant a accelerar la recerca com a millorar l’explicabilitat dels models de ML. El treball comença amb la implementació i optimització de diferents estratègies d’entrenament per màquines de Boltzmann restringides (RBMs) utilitzant datasets de referència. Aquest estudi està alineat amb el primer nivell del marc d’interpretabilitat (Nivell 1: Utilitzant IA) i estableix les bases per la implementació d’algoritmes de ML en datasets experimentals de caracterització. Posteriorment, es desenvolupa un primer enfocament basat en XAI per extraure informació rellevant de dades experimentals de caracterització de dispositius TFPV basats en kesterita (Nivell 2: Utilitzant XAI), demostrant el potencial dels models de ML interpretables per identificar correlacions entre les propietats fisicoquímiques dels materials i el rendiment fotovoltaic dels dispositius. Finalment, aquesta progressió culmina en la implementació d’una metodologia integrada basada en XAI per analitzar datasets multimodals obtinguts a partir d’una caracterització holística de cèl·lules solars de kesterita. Aquesta metodologia integra completament el cicle de recerca, des de la síntesi i la caracterització fins a l’anàlisi de les dades, la interpretació, i l’extracció d’informació rellevant per continuar optimitzant la tecnologia. Es posa especial èmfasis en la interpretabilitat, on la combinació de models de XAI intrínsecs amb tècniques de XAI post-hoc permet la identificació de les propietats fisicoquímiques que governen el rendiment i la reproductibilitat dels dispositius, relacionant les regions espectrals rellevants amb les seves corresponents propietats físiques. Aquesta estratègia assoleix el tercer nivell del marc d’interpretabilitat (Nivell 3: Utilitzant XAI+) i proporciona informació significativa per guiar els posteriors cicles de recerca. Aquesta informació es validada mitjançant la modificació de diversos processos de fabricació, donant lloc a una millora en el rendiment fotovoltaic dels nous dispositius. A més, redueix substancialment els temps del cicle de recerca, accelerant l’optimització de materials des d’escales superiors a un any fins a menys d’una setmana. Aquests resultats contribueixen al desenvolupament d’estratègies de laboratoris autònoms (SDLs) i al avenç de la ciència de materials basada en dades, impulsant així la transició energètica. (Español) El ciclo de desarrollo de nuevas tecnologías basadas en materiales abarca entre 15-25 años debido a la creciente complejidad de los procesos de investigación experimental. Acelerar este proceso es esencial para permitir la implementación a gran escala de tecnologías sostenibles que apoyen la transición energética y garanticen la electrificación de la sociedad. Las tecnologías fotovoltaicas (PV) desempeñan un papel central en esta transición, en particular las nuevas tecnologías fotovoltaicas de capa delgada (TFPV), que prometen ampliar significativamente la aplicación de módulos solares en nuestro día a día. Por lo tanto, acelerar su desarrollo y transferencia es clave para alcanzar este objetivo. En este contexto, avances recientes en inteligencia artificial (IA), inteligencia artificial explicable (XAI), robótica y automatización han dado lugar a un nuevo paradigma: la ciencia de materiales basada en datos, capaz de acelerar el descubrimiento y optimización de materiales. Sin embargo, a pesar del creciente uso del aprendizaje automático (ML) en la ciencia de materiales, la aplicación de enfoques XAI a conjuntos de datos (datasets) experimentales reales de caracterización sigue siendo limitada, y la traducción de las salidas de los modelos de ML en información con sentido físico continúa siendo un reto importante. Este trabajo aborda este desafío mediante la exploración y el desarrollo de estrategias basadas en IA para analizar e interpretar los datos experimentales de caracterización, siguiendo un marco de interpretabilidad propuesto en esta tesis, orientado tanto a acelerar la investigación como a mejorar la explicabilidad de los modelos de ML. El trabajo empieza con la implementación y optimización de diferentes estrategias de entrenamiento para máquinas de Boltzmann restringidas (RBMs) utilizando datasets de referencia. Este estudio está alineado con el primer nivel del marco de interpretabilidad (Nivel 1: Usando IA) y establece las bases para la implementación de algoritmos de ML en datasets experimentales de caracterización. Posteriormente, se desarrolla un primer enfoque basado en XAI para extraer información relevante de datos experimentales de caracterización de dispositivos TFPV basados en kesterita (Nivel 2: Usando XAI), demostrando el potencial de los modelos de ML interpretables para identificar correlaciones entre las propiedades fisicoquímicas de los materiales y el rendimiento fotovoltaico de los dispositivos. Finalmente, esta progresión culmina en la implementación de una metodología integrada basada en XAI para analizar datasets multimodales obtenidos a partir de una caracterización holística de células solares de kesterita. Esta metodología integra completamente el ciclo de investigación, desde la síntesis y la caracterización hasta el análisis de los datos, la interpretación, y la extracción de información relevante para seguir optimizando la tecnología. Se pone especial énfasis en la interpretabilidad, donde la combinación de modelos de XAI intrínsecos con técnicas de XAI post-hoc permite la identificación de las propiedades fisicoquímicas que gobiernan el rendimiento y la reproducibilidad de los dispositivos, relacionando las regiones espectrales relevantes con sus correspondientes propiedades físicas. Esta estrategia alcanza el tercer nivel del marco de interpretabilidad (Nivel 3: Usando XAI+) y proporciona información significativa para guiar los posteriores ciclos de investigación. Esta información es validada mediante la modificación de varios procesos de fabricación, dando lugar a una mejora en el rendimiento fotovoltaico de los nuevos dispositivos. Además, reduce sustancialmente los tiempos del ciclo de investigación, acelerando la optimización de materiales desde escalas mayores a un año hasta menos de una semana. Estos resultados contribuyen al desarrollo de enfoques de laboratorios autónomos (SDLs) y al avance de la ciencia de materiales basada en datos, impulsando así la transición energética DOCTORAT EN FÍSICA COMPUTACIONAL I APLICADA (Pla 2013) |
| Τύπος εγγράφου: | Dissertation/Thesis |
| Περιγραφή αρχείου: | application/pdf |
| Γλώσσα: | English |
| DOI: | 10.5821/dissertation-2117-475797 |
| Σύνδεσμος πρόσβασης: | https://hdl.handle.net/10803/698549 https://dx.doi.org/10.5821/dissertation-2117-475797 |
| Rights: | L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc/4.0/ |
| Αριθμός Καταχώρησης: | edstdx.10803.698549 |
| Βάση Δεδομένων: | TDX |
| DOI: | 10.5821/dissertation-2117-475797 |
|---|