Дослідження методами машинного навчання залізовмісних дефектів у кремнієвих n+–p–p+ структурах

Завгородній О.В. Дослідження методами машинного навчання залізовмісних дефектів у кремнієвих n+–p–p+ структурах : дис. ... доктора філософії : 104 Фізика та астрономія. Київ, 2026. 175 с.

Завгородній О.В. «Дослідження методами машинного навчання залізовмісних дефектів у кремнієвих n+–p–p+ структурах». – Кваліфікаційна наукова праця на правах рукопису.
Дисертація на здобуття наукового ступеня доктора філософії з галузі знань 10 Природничі науки за спеціальністю 104 Фізика та астрономія. Київський національний університет імені Тараса Шевченка, Київ, 2026.
Дисертаційна робота присвячена розробці та застосуванню методів машинного навчання для характеризації залізовмісних дефектів у кремнієвих сонячних елементах n+–p–p+ типу. Проблематика дослідження пов’язана з необхідністю підвищення ефективності кремнієвих фотоелектричних перетворювачів, які становлять основу сучасної фотоенергетики. Домішки заліза, що формують глибокі енергетичні рівні у забороненій зоні кремнію, істотно впливають на рекомбінаційні процеси, скорочують час життя носіїв заряду та погіршують фотоелектричні параметри сонячних елементів.
Попри визначальну роль таких забруднень, їх прецизійна ідентифікація в об’ємі кремнієвих сонячних елементів залишається складною експериментальною задачею. Традиційні методи характеризації дефектів, такі як перехідна спектроскопія глибоких рівнів або електронний парамагнітний резонанс, потребують складної підготовки зразків, дорогого обладнання та не придатні для масового контролю у виробничих умовах. У зв’язку з цим особливої актуальності набуває створення неруйнівних, швидких та дешевих підходів до визначення концентрації заліза на основі аналізу фотоелектричних характеристик та використання штучного інтелекту. Об’єктом дослідження в дисертації є кремнієві сонячні елементи n+–p–p+ типу із домішками заліза. Предметом дослідження є закономірності впливу залізовмісних дефектів на електричні та фотоелектричні параметри цих структур, а також методи прогнозування концентрації заліза за допомогою машинного навчання. Метою роботи є розробка методики визначення концентрації залізовмісних дефектів у кремнієвих сонячних елементах шляхом аналізу вольт-амперних характеристик. Використання цього стандартного методу вимірювання, який не потребує складної підготовки зразків, у поєднанні з алгоритмами машинного навчання та моделями комп’ютерного зору, дозволяє створити систему оперативної діагностики домішок безпосередньо у виробничому циклі.
В роботі реалізовано комплексний підхід, що поєднує чисельне моделювання, експериментальні вимірювання та алгоритмічний аналіз даних. Вольт-амперні характеристики кремнієвих структур типу n+–p–p+ моделювалися у пакеті SCAPS-1D із урахуванням параметрів домішок Fe та FeB, температурних та концентраційних залежностей матеріалу. Шляхом варіювання параметрів структур (товщини бази, рівня легування) та умов вимірювання (температури, освітлення) сформовано репрезентативну базу синтетичних даних, яка стала основою для навчання та тестування алгоритмів машинного навчання.
Вперше показано, що фактор неідеальності в структурах n+–p–p+ є високочутливим індикатором зміни концентрації заліза та його електричного стану. Виявлено залежність цього фактора від товщини бази та умов освітлення, що пов’язано з перерозподілом рекомбінаційних процесів між областю просторового заряду та базою сонячного елемента. На основі отриманих залежностей ВАХ визначено фотоелектричні дескриптори, чутливі до концентрації заліза: фактор неідеальності, струм короткого замикання, напругу розімкнутого кола, фактор форми та ефективність.
Розроблено та реалізовано методику оцінки концентрації заліза за допомогою глибоких нейронних мереж на основі величини фактора неідеальності. Проведено оптимізацію гіперпараметрів глибоких нейронних мереж. Встановлено, що одночасне використання, як вхідних дескрипторів, значень фактора неідеальності у двох станах (до та після дисоціації пар FeB) дозволяє суттєво підвищити точність прогнозування, забезпечуючи низьку середню квадратичну відносну похибку порядку 0,005.
На основі бази даних та чутливих до змін концентрації заліза дескрипторів створено алгоритмічні моделі оцінки концентрації заліза із застосуванням методів Gradient Boosting, eXtreme Gradient Boosting, Random Forest, Support Vector Regression та Deep Neural Networks. Проведено оптимізацію архітектури моделей, добір гіперпараметрів та порівняння точності прогнозування на синтетичних та експериментальних даних. Встановлено, що найвищу точність прогнозування концентрації заліза забезпечують моделі eXtreme Gradient Boosting та Deep Neural Networks (точність прогнозування для синтетичних даних становить MSE = 0,004, MAPE = 9%, R2 = 0,997, а для експериментальних даних MSE = 0,004, MAPE = 9%, R2 = 0,987).
Розроблено нову методику визначення концентрації заліза на основі кінетичних залежностей струму короткого замикання після дисоціації пар FeB, у якій використано підхід трансферу навчання з попередньо навченими моделями комп’ютерного зору. Такий підхід забезпечує високу точність навіть за обмеженої кількості навчальних даних та дозволяє автоматизувати процес оцінки концентрації домішкових дефектів.
Практичне значення результатів полягає у створенні ефективного неруйнівного методу контролю якості кремнієвих сонячних елементів, який базується на аналізі стандартних електричних вимірювань (I-V характеристики). Розроблені алгоритми також можуть бути адаптовані для характеризації інших типів дефектів у напівпровідниках і використовуватися у системах контролю якості на виробництві.
Основні результати дослідження висвітлено у 6 публікаціях в міжнародних наукових виданнях, що індексуються у Scopus та Web of Science (Progress in Photovoltaics (Q1), Solar Energy (Q1), Materials Science and Engineering: B (Q1), Journal of Physical Studies (Q4), Semiconductor Science and Technology (Q2)), а також представлені у матеріалах шести міжнародних та всеукраїнських конференцій.
Ключові слова: сонячні елементи, кремній, n+–p–p+ структура, чисельне моделювання, фотовольтаїка, фотоелектричні властивості, електричні та оптичні характеристики, дефекти, вольт-амперні характеристики, машинне навчання, комп’ютерний зір.