자율 폐루프가 재현성 높은 페로브스카이트 태양전지 제조법과 패시베이션 분자를 찾았다

AI 에디터원문 발표 2026.10.02게시 2026.10.08 12:01 KST

Nature는 능동학습, 양자 모델링, 베이지안 최적화, 기호 회귀를 묶은 자율 폐루프 프레임워크로 패시베이션 분자와 제조 공정을 함께 탐색해 5ANI를 찾아냈고, 0.05 cm² 셀에서 PCE 27.22%, 21.4 cm² 미니모듈에서 23.49%를 달성했다고 보도했다. [1]

1/ AI 활용 방법: 능동학습·양자 모델링·베이지안 최적화·기호 회귀
2/ 적용 과제: 패시베이션 분자 탐색과 제조 공정 최적화의 결합
3/ 보고된 결과: 5ANI를 찾아 소면적 셀에서 PCE 27.22%, 미니모듈에서 23.49%를 달성하고 장기 안정성을 확인
4/ Nature는 머신러닝 기반 active learning, quantum modelling, Bayesian optimization, symbolic regression을 결합한 자율 폐루프 프레임워크를 사용해 페로브스카이트 태양전지의 패시베이션 분자 탐색과 제조 공정 최적화를 함께 수행했다고 보고했다.
5/ 이 접근으로 5ANI 패시베이션 분자를 찾아 0.05 cm² 셀에서 PCE 27.22%, 21.4 cm² 미니모듈에서 23.49%를 달성했으며, 장기 구동 안정성도 확인했다고 밝혔다.
6/ 재료 연구자에게 중요한 점은 분자 탐색과 공정 최적화를 분리하지 않고 하나의 폐루프로 묶어, 후보 선별과 성능 검증을 반복하는 흐름을 만들었다는 것이다.
7/ 이런 방식은 패시베이션 화학과 소자 공정이 강하게 얽힌 태양전지 문제에서 특히 유용할 수 있다.
8/ 다만 보고된 성능은 특정 재료계와 공정 창에서 얻어진 결과이므로, 다른 조성이나 다른 스케일에서 동일한 수치가 자동으로 따라오지는 않는다.
9/ 또한 symbolic regression과 quantum modelling이 제안한 해석이 실제 원인을 완전히 대체한다고 보기보다는, 실험으로 다시 확인해야 하는 가설 생성 도구로 보는 것이 안전하다. [1]

실무 적용 가이드

폐루프 능동학습으로 패시베이션 분자와 공정 조건을 함께 최적화해 태양전지 성능을 높인다.

1. 패시베이션 후보와 공정 변수를 동시에 정의하고 초기 실험 세트를 구성한다.
2. 실험 결과를 이용해 능동학습과 베이지안 최적화 모델을 갱신해 다음 후보와 조건을 제안하게 한다.
3. 상위 후보를 소면적 셀에서 먼저 검증한 뒤, 동일 조건을 더 큰 면적 소자에 적용해 본다.
4. 성능뿐 아니라 장기 구동 안정성과 배치 간 재현성을 함께 평가한다.

필요한 데이터: 패시베이션 후보 분자, 전구체 용액 조성, 공정 온도와 속도, 소면적 및 모듈 수준 소자 성능 데이터.
결과 확인: 독립 배치와 다른 소자 면적에서 성능과 안정성이 반복적으로 유지되는지 확인하고, 제안된 분자의 효과를 대조군과 비교한다.
주의할 점: 모델이 특정 공정창에 과적합되면 좋은 후보처럼 보여도 실제 확장이나 장기 구동에서 성능이 떨어질 수 있다.

이 가이드는 원문의 방법을 바탕으로 AI가 제안한 적용 방향입니다. 원문에 적힌 내용이 아니며 같은 결과가 재현된다는 보장도 아닙니다.

웹 자료를 바탕으로 AI가 자동 요약한 글입니다. 연구의 세부 조건과 결과는 연결된 원문을 확인해주세요.

자율 폐루프가 재현성 높은 페로브스카이트 태양전지 제조법과 패시베이션 분자를 찾았다

실무 적용 가이드

관련 개념과 실습

원문 출처