Crystalline silicon solar cells with the passivated emitter and rear cell (PERC) design are currently the mainstream cell architecture in industry. Due to the rather complicated device structure, it has been challenging to understand how variations in manufacturing tools cause the observed scattering of the cells’ performances. This also makes it difficult to optimize PERC cells in fabrication lines. In this article, we report on a method where we use numerical device modeling, machine learning, and statistics for getting a deeper understanding of how process variations influence device performance. For this, we use seven model input parameters that affect PERC device performance the most and perform about 400 numerical device simulations in an expected range of these parameters. We then trained and validated a machine learning model on these 400 simulations, which serve to describe about 15 000 fabricated PERC cells. Because the IV parameters of each cell can be described with different sets of the seven model input parameters, we define Euclidean surroundings of the IV-parameters of each manufactured cell and analyze the behavior of the input parameters in these surroundings. The proposed method is applied to commercial production of PERC cells and requires only the four IV parameters of each cell, measured at the end of production (no dummy wafers or lifetime samples are needed). Still the method gives concrete information for improving PERC cells with a modest amount of numerical modeling and hence in a very short time. The method is generally applicable also to other solar cells than PERC cells.

中文翻译：

---

用于优化批量生产的工业太阳能电池的组合数值建模和机器学习方法

具有钝化发射极和背面电池（PERC）设计的晶体硅太阳能电池是目前工业上的主流电池架构。由于相当复杂的器件结构，了解制造工具的变化如何导致观察到的电池性能散射一直具有挑战性。这也使得在生产线上优化 PERC 电池变得困难。在本文中，我们报告了一种使用数值器件建模、机器学习和统计数据来更深入地了解工艺变化如何影响器件性能的方法。为此，我们使用了七个对 PERC 器件性能影响最大的模型输入参数，并在这些参数的预期范围内执行了大约 400 个数值器件模拟。然后，我们在这 400 次模拟中训练并验证了机器学习模型，这些模型用于描述大约 15 000 个制造的 PERC 电池。因为每个单元的 IV 参数可以用七个模型输入参数的不同组来描述，所以我们定义了每个制造单元的 IV 参数的欧几里德环境，并分析了这些环境中输入参数的行为。所提出的方法应用于 PERC 电池的商业生产，并且只需要每个电池的四个 IV 参数，在生产结束时测量（不需要假晶片或寿命样品）。该方法仍然提供了具体信息，用于通过适度的数值建模并因此在很短的时间内改进 PERC 电池。该方法通常也适用于除PERC电池之外的其他太阳能电池。用于描述大约 15 000 个制造的 PERC 电池。因为每个单元的 IV 参数可以用七个模型输入参数的不同组来描述，所以我们定义了每个制造单元的 IV 参数的欧几里德环境，并分析了这些环境中输入参数的行为。所提出的方法应用于 PERC 电池的商业生产，并且只需要每个电池的四个 IV 参数，在生产结束时测量（不需要假晶片或寿命样品）。该方法仍然提供了具体信息，用于通过适度的数值建模并因此在很短的时间内改进 PERC 电池。该方法通常也适用于除PERC电池之外的其他太阳能电池。用于描述大约 15 000 个制造的 PERC 电池。因为每个单元的 IV 参数可以用七个模型输入参数的不同组来描述，所以我们定义了每个制造单元的 IV 参数的欧几里德环境，并分析了这些环境中输入参数的行为。所提出的方法应用于 PERC 电池的商业生产，并且只需要每个电池的四个 IV 参数，在生产结束时测量（不需要假晶片或寿命样品）。该方法仍然提供了具体信息，用于通过适度的数值建模并因此在很短的时间内改进 PERC 电池。该方法通常也适用于除PERC电池之外的其他太阳能电池。因为每个单元的 IV 参数可以用七个模型输入参数的不同组来描述，所以我们定义了每个制造单元的 IV 参数的欧几里德环境，并分析了这些环境中输入参数的行为。所提出的方法应用于 PERC 电池的商业生产，并且只需要每个电池的四个 IV 参数，在生产结束时测量（不需要假晶片或寿命样品）。该方法仍然提供了具体信息，用于通过适度的数值建模并因此在很短的时间内改进 PERC 电池。该方法通常也适用于除PERC电池之外的其他太阳能电池。因为每个单元的 IV 参数可以用七个模型输入参数的不同组来描述，所以我们定义了每个制造单元的 IV 参数的欧几里德环境，并分析了这些环境中输入参数的行为。所提出的方法应用于 PERC 电池的商业生产，并且只需要每个电池的四个 IV 参数，在生产结束时测量（不需要假晶片或寿命样品）。该方法仍然提供了具体信息，用于通过适度的数值建模并因此在很短的时间内改进 PERC 电池。该方法通常也适用于除PERC电池之外的其他太阳能电池。我们定义每个制造单元的 IV 参数的欧几里得环境，并分析这些环境中输入参数的行为。所提出的方法应用于 PERC 电池的商业生产，并且只需要每个电池的四个 IV 参数，在生产结束时测量（不需要假晶片或寿命样品）。该方法仍然提供了具体信息，用于通过适度的数值建模并因此在很短的时间内改进 PERC 电池。该方法通常也适用于除PERC电池之外的其他太阳能电池。我们定义每个制造单元的 IV 参数的欧几里得环境，并分析这些环境中输入参数的行为。所提出的方法应用于 PERC 电池的商业生产，并且只需要每个电池的四个 IV 参数，在生产结束时测量（不需要假晶片或寿命样品）。该方法仍然提供了具体信息，用于通过适度的数值建模并因此在很短的时间内改进 PERC 电池。该方法通常也适用于除PERC电池之外的其他太阳能电池。该方法仍然提供了具体信息，用于通过适度的数值建模并因此在很短的时间内改进 PERC 电池。该方法通常也适用于除PERC电池之外的其他太阳能电池。该方法仍然提供了具体信息，用于通过适度的数值建模并因此在很短的时间内改进 PERC 电池。该方法通常也适用于除PERC电池之外的其他太阳能电池。