Завгородній, Олексій ВолодимировичОлексій ВолодимировичЗавгороднійОліх, Олег Ярославович2026-04-132026-04-132026-04-03Завгородній 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.УДК 538.911,621.383.4,004.85https://ir.library.knu.ua/handle/15071834/15648Завгородній 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.O. V. Zavhorodnii. «Investigation of iron-related defects in silicon n+–p–p+ structures using machine learning methods». – Qualification scientific work as a manuscript. Dissertation submitted for the degree of Doctor of Philosophy in the field of study 10 Natural Sciences, specialty 104 Physics and Astronomy. Taras Shevchenko National University of Kyiv, Kyiv, 2026. The dissertation is devoted to the development and application of machine learning methods for the characterization of iron-related defects in silicon n+–p–p+ solar cells. The research addresses the need to improve the efficiency of silicon photovoltaic devices, which constitute the foundation of modern photovoltaic energy technologies. Iron impurities, which give rise to deep energy levels within the silicon bandgap, significantly affect recombination processes, reduce charge carrier lifetimes, and deteriorate the photovoltaic performance of solar cells. Despite the critical role of such contaminants, their precise identification within the bulk of silicon solar cells remains a challenging experimental task. Conventional defect characterization techniques, such as deep-level transient spectroscopy (DLTS) and electron paramagnetic resonance (EPR), require complex sample preparation, expensive equipment, and are not suitable for large-scale monitoring under industrial manufacturing conditions. In this context, the development of non-destructive, rapid, and cost-effective approaches for determining iron concentration based on the analysis of photovoltaic characteristics and the use of artificial intelligence becomes particularly relevant. The object of research in this dissertation is silicon n+–p–p+ solar cells containing iron impurities. The subject of the research comprises the regularities governing the influence of iron-related defects on the electrical and photovoltaic parameters of these structures, as well as methods for predicting iron concentration using machine learning. The aim of the work is to develop a methodology for determining the concentration of iron-related defects in silicon solar cells through the analysis of current-voltage characteristics. The use of this standard measurement technique, which does not require complex sample preparation, in combination with machine learning algorithms and computer vision models, enables the development of a system for rapid impurity diagnostics directly within the manufacturing process. The work implements a comprehensive approach combining numerical modeling, experimental measurements, and algorithmic data analysis. The current-voltage characteristics of silicon n+–p–p+ structures were simulated using the SCAPS-1D software package, taking into account the parameters of Fe and FeB impurities as well as the temperature- and concentration-dependent properties of the material. By varying the structural parameters (base thickness, doping level) and measurement conditions (temperature, illumination), a representative synthetic dataset was generated, which served as the basis for training and testing machine learning algorithms. For the first time, it has been demonstrated that the ideality factor in n+–p–p+ structures is a highly sensitive indicator of variations in iron concentration and its electrical state. A dependence of this factor on the base thickness and illumination conditions has been identified, which is associated with the redistribution of recombination processes between the space-charge region and the base of the solar cell. Based on the obtained current-voltage characteristics, photovoltaic descriptors sensitive to iron concentration were determined, including the ideality factor, short-circuit current, open-circuit voltage, fill factor, and efficiency. A methodology for estimating iron concentration using deep neural networks based on the ideality factor has been developed and implemented. The hyperparameters of the deep neural networks were optimized. It was established that the simultaneous use of ideality factor values in two states (before and after the dissociation of FeB pairs) as input descriptors significantly improves the prediction accuracy, yielding a low mean squared relative error on the order of 0,005. Based on the constructed database and descriptors sensitive to variations in iron concentration, algorithmic models for iron concentration estimation were developed using Gradient Boosting, eXtreme Gradient Boosting, Random Forest, Support Vector Regression, and Deep Neural Networks. The model architectures were optimized, hyperparameters were selected, and the prediction accuracy was compared using both synthetic and experimental data. It was established that the highest accuracy in iron concentration prediction is achieved by eXtreme Gradient Boosting and Deep Neural Network models (for synthetic data: MSE = 0,004, MAPE = 9%, R2 = 0,997; for experimental data: MSE = 0,004, MAPE = 9%, R2 = 0,987). A novel methodology for determining iron concentration based on the kinetic dependencies of the short-circuit current following the dissociation of FeB pairs has been developed, employing a transfer learning approach with pre-trained computer vision models. This approach ensures high accuracy even with a limited amount of training data and enables the automation of impurity defect concentration assessment. The practical significance of the results lies in the development of an efficient, non-destructive method for quality control of silicon solar cells, based on the analysis of standard electrical measurements (I–V characteristics). The developed algorithms can also be adapted for the characterization of other types of defects in semiconductors and employed in quality control systems within manufacturing processes The main results of the research are presented in six publications in international peer-reviewed journals indexed in Scopus and 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)), as well as in the proceedings of six international and national conferences. Keywords: solar cells, silicon, n+–p–p+ structure, numerical modeling, photovoltaics, photovoltaic properties, electrical and optical characteristics, defects, current-voltage characteristics, machine learning, computer vision.ukсонячні елементикремнійn+–p–p+ структурачисельне моделюванняфотовольтаїкафотоелектричні властивостіелектричні та оптичні характеристикидефективольт-амперні характеристикимашинне навчаннякомп’ютерний зір.solar cellssiliconn+–p–p+ structurenumerical modelingphotovoltaicsphotovoltaic propertieselectrical and optical characteristicsdefectscurrent-voltage characteristicsmachine learningcomputer vision.Дисертація