一、导师简介
Prof Karl Erik Birgersson自2022年起担任新加坡国立大学设计与工程学院机械工程系的副教授，同时兼任新加坡太阳能研究所（SERIS）的客座研究员。他的学术生涯始于瑞典皇家理工学院（KTH），分别于1998年、2003年和2004年获得工程科学硕士、工程执照博士学位和哲学博士学位。2004至2006年间，他在新加坡高性能计算研究所（IHPC）完成博士后研究，随后于2006年加入NUS担任助理教授，2015年晋升为副教授。
Birgersson的研究涵盖七个领域：流体力学与热工、生物医学工程、化学工程、应用数学、光伏器件、电化学储能与转换、碳捕获工程以及神经网络。这种跨学科背景体现在他的教学理念中——他倾向于用真实案例替代抽象讲解，并刻意避免单向灌输式的授课模式。根据他的自述，其教学方法核心在于引导学生主动提出问题，建立严密的逻辑框架，而非单纯记忆考试内容。值得注意的是，他掌握瑞典语、德语和英语三种学术语言，具备在多元文化环境中开展协作研究的能力。
SERIS的客座研究职位（自2013年起持续至今）表明他与新加坡国家级太阳能研究平台保持长期稳定合作。这一 institutional affiliation 为他的博士生提供了接触产业级实验设施和政策导向型研究项目的机会。
二、近期文章和项目解析
(1) 神经网络加速钙钛矿器件表征
2025年发表于 Applied Energy 的论文提出了一种基于物理光电子模型生成大数据训练神经网络的框架。研究团队采用拉丁超立方采样制备了十万组样本，通过贝叶斯正则化和贝叶斯优化完成模型训练。测试数据集上的均方误差低于4×10⁻⁴，计算速度比传统光电子模型提升千倍以上，使器件校准可在24秒内完成。该研究不仅实现了快速参数提取，还通过优化界面复合使实验室制备器件的功率转换效率提升约2%。
从技术路径看，该方法解决了传统数值模拟在参数空间探索中的效率瓶颈。人工分析视角下，这种"物理模型+机器学习"的混合范式并非简单替代关系：物理模型确保数据生成的物理合理性，避免纯数据驱动方法的外推风险；机器学习则释放维度灾难下的计算约束。对于博士生而言，这意味着需要同时掌握半导体器件物理与统计学习理论，而非单一领域的浅层应用。研究预测1.56 eV和1.63 eV带隙钙钛矿电池的理论效率分别可达28.9%和25.5%，此类预测为实验优化提供了明确靶点。
(2) 透明钙钛矿电池的帕累托前沿优化
2024年 APL Machine Learning 的研究针对四端钙钛矿-铜铟硒（CIS）叠层电池，提出基于贝叶斯正则化反向传播算法的神经网络优化框架。通过Hammersley采样训练代理模型，在保持29.4%至30.4%效率的同时，材料成本降低50%。帕累托前沿分析揭示：最优钙钛矿层厚度集中在420-580 nm范围；前电极需保持超薄，背电极厚度可在100-145 nm间浮动；电子与空穴传输层厚度分别从23 nm和10 nm缩减至7 nm。
此处需引入搜索所得的"单二极管等效电路模型"概念以深化理解。标准单二极管模型包含光生电流源（Iph）、理想二极管、串联电阻（Rs）和并联电阻（Rsh）。Birgersson团队的创新在于将机器学习预测的短路电流直接注入该电路模型，而非传统的手动参数提取。这种技术路线转变的实质是：把I-V曲线拟合问题分解为两步——先由数据驱动方法预测关键工作点，再用物理模型补全全曲线特性。这样做规避了传统方法在多个局部最优解间振荡的缺陷，尤其在处理彩色BIPV模块这类光谱响应复杂的器件时，预测的均方根误差可从5.17（线性回归）降至0.17（高斯过程回归）。
(3) 双面钙钛矿叠层电池的混合整数优化
2023年 Solar Energy 的工作建立了考虑所有薄膜层厚度和材料变化的光学模型，针对单面和双面器件进行验证。研究发现，在高反照率环境（白沙、雪地）下，非半透明顶电池的短路电流密度更高。优化后的单面器件功率转换效率预测为34.6%，双面等效效率在高反照率下超过50%。灵敏度分析表明，优化器件对层厚微扰不敏感，这对大面积制造的工艺容差控制具有重要意义。
该研究的价值在于将光学设计从连续优化推向离散-连续混合空间。博士生若参与此类项目，需熟悉整数规划算法与电磁场仿真的耦合实现。双面效率突破50%的预测并非单纯数字游戏——它要求博士生理解"等效效率"的计算基准（通常按年发电量加权），而非STC条件下的瞬时功率。这种概念辨析能力是项目执行的关键。
(4) 制造变异性对四端叠层电池的影响
2023年 Solar Rrl 的研究指出，钙钛矿与叠层电池的光学复合参数在制造中存在显著波动。团队开发了光电-电学综合模型，用48个实验室制备的透明钙钛矿电池（厚度分别为420、550、700 nm，效率中位数20.6%、21.1%、21.0%）进行校准。模型拟合后，捕获了光学复合参数随钙钛矿层厚度变化的函数形式，揭示了常数参数假设导致的预测误差。
这一工作触及了学术界与产业界的根本分歧：学术发表论文通常基于"最佳器件"数据，而产业化必须面对分布形态。Birgersson团队选择用48个样本而非单个冠军器件来校准模型，反映出其研究向可制造性倾斜的转向。对博士生的启示是：数据采集不再是为验证假设服务，而是成为模型构建的先行步骤。这种"数据优先"思维在机器学习时代尤为重要，但也对实验设计能力提出更高要求——样本需覆盖工艺窗口的边界条件，而非随机采样。
(5) 彩色BIPV模块的短路电流预测与I-V模拟
2022年 IEEE Journal of Photovoltaics 论文提出混合方法：实验、机器学习与单二极管等效电路模型相结合。研究比较了多元线性回归（MLR）、支持向量回归（SVR）和高斯过程回归（GPR）预测不同颜色与不透明度下的短路电流。十折交叉验证显示，MLR的MAE为3.58，RMSE为5.17；SVR优化后降至0.22和0.24；GPR进一步优化至0.13和0.17。预测电流注入单二极管模型后，可模拟多色模块的I-V曲线并提取最大功率点电流（Pmmp）与电流失配损失。
此项工作的独特之处在于处理了非标准光谱响应的建模问题。搜索结果显示，短路电流参数预测对光伏系统的保护继电器整定至关重要，但Birgersson将其应用于设计空间探索而非故障分析。这种迁移应用能力值得注意：同样的技术内核（短时长数据窗、指数拟合、趋势滤波）可服务于不同目标。博士生应意识到，方法论的适应性往往比方法本身更具影响力。论文明确指出该方法为建筑师和工程师在颜色/设计选择中平衡美学与工程提供了工具，这表明Birgersson的研究团队重视技术转化的最后一公里。
三、未来研究预测
(1) 神经网络加速钙钛矿器件表征
2025年发表于 Applied Energy 的论文提出了一种基于物理光电子模型生成大数据训练神经网络的框架。研究团队采用拉丁超立方采样制备了十万组样本，通过贝叶斯正则化和贝叶斯优化完成模型训练。测试数据集上的均方误差低于4×10⁻⁴，计算速度比传统光电子模型提升千倍以上，使器件校准可在24秒内完成。该研究不仅实现了快速参数提取，还通过优化界面复合使实验室制备器件的功率转换效率提升约2%。
从技术路径看，该方法解决了传统数值模拟在参数空间探索中的效率瓶颈。人工分析视角下，这种"物理模型+机器学习"的混合范式并非简单替代关系：物理模型确保数据生成的物理合理性，避免纯数据驱动方法的外推风险；机器学习则释放维度灾难下的计算约束。对于博士生而言，这意味着需要同时掌握半导体器件物理与统计学习理论，而非单一领域的浅层应用。研究预测1.56 eV和1.63 eV带隙钙钛矿电池的理论效率分别可达28.9%和25.5%，此类预测为实验优化提供了明确靶点。
(2) 透明钙钛矿电池的帕累托前沿优化
2024年 APL Machine Learning 的研究针对四端钙钛矿-铜铟硒（CIS）叠层电池，提出基于贝叶斯正则化反向传播算法的神经网络优化框架。通过Hammersley采样训练代理模型，在保持29.4%至30.4%效率的同时，材料成本降低50%。帕累托前沿分析揭示：最优钙钛矿层厚度集中在420-580 nm范围；前电极需保持超薄，背电极厚度可在100-145 nm间浮动；电子与空穴传输层厚度分别从23 nm和10 nm缩减至7 nm。
此处需引入搜索所得的"单二极管等效电路模型"概念以深化理解。标准单二极管模型包含光生电流源（Iph）、理想二极管、串联电阻（Rs）和并联电阻（Rsh）。Birgersson团队的创新在于将机器学习预测的短路电流直接注入该电路模型，而非传统的手动参数提取。这种技术路线转变的实质是：把I-V曲线拟合问题分解为两步——先由数据驱动方法预测关键工作点，再用物理模型补全全曲线特性。这样做规避了传统方法在多个局部最优解间振荡的缺陷，尤其在处理彩色BIPV模块这类光谱响应复杂的器件时，预测的均方根误差可从5.17（线性回归）降至0.17（高斯过程回归）。
(3) 双面钙钛矿叠层电池的混合整数优化
2023年 Solar Energy 的工作建立了考虑所有薄膜层厚度和材料变化的光学模型，针对单面和双面器件进行验证。研究发现，在高反照率环境（白沙、雪地）下，非半透明顶电池的短路电流密度更高。优化后的单面器件功率转换效率预测为34.6%，双面等效效率在高反照率下超过50%。灵敏度分析表明，优化器件对层厚微扰不敏感，这对大面积制造的工艺容差控制具有重要意义。
该研究的价值在于将光学设计从连续优化推向离散-连续混合空间。博士生若参与此类项目，需熟悉整数规划算法与电磁场仿真的耦合实现。双面效率突破50%的预测并非单纯数字游戏——它要求博士生理解"等效效率"的计算基准（通常按年发电量加权），而非STC条件下的瞬时功率。这种概念辨析能力是项目执行的关键。
(4) 制造变异性对四端叠层电池的影响
2023年 Solar Rrl 的研究指出，钙钛矿与叠层电池的光学复合参数在制造中存在显著波动。团队开发了光电-电学综合模型，用48个实验室制备的透明钙钛矿电池（厚度分别为420、550、700 nm，效率中位数20.6%、21.1%、21.0%）进行校准。模型拟合后，捕获了光学复合参数随钙钛矿层厚度变化的函数形式，揭示了常数参数假设导致的预测误差。
这一工作触及了学术界与产业界的根本分歧：学术发表论文通常基于"最佳器件"数据，而产业化必须面对分布形态。Birgersson团队选择用48个样本而非单个冠军器件来校准模型，反映出其研究向可制造性倾斜的转向。对博士生的启示是：数据采集不再是为验证假设服务，而是成为模型构建的先行步骤。这种"数据优先"思维在机器学习时代尤为重要，但也对实验设计能力提出更高要求——样本需覆盖工艺窗口的边界条件，而非随机采样。
(5) 彩色BIPV模块的短路电流预测与I-V模拟
2022年 IEEE Journal of Photovoltaics 论文提出混合方法：实验、机器学习与单二极管等效电路模型相结合。研究比较了多元线性回归（MLR）、支持向量回归（SVR）和高斯过程回归（GPR）预测不同颜色与不透明度下的短路电流。十折交叉验证显示，MLR的MAE为3.58，RMSE为5.17；SVR优化后降至0.22和0.24；GPR进一步优化至0.13和0.17。预测电流注入单二极管模型后，可模拟多色模块的I-V曲线并提取最大功率点电流（Pmmp）与电流失配损失。
此项工作的独特之处在于处理了非标准光谱响应的建模问题。搜索结果显示，短路电流参数预测对光伏系统的保护继电器整定至关重要，但Birgersson将其应用于设计空间探索而非故障分析。这种迁移应用能力值得注意：同样的技术内核（短时长数据窗、指数拟合、趋势滤波）可服务于不同目标。博士生应意识到，方法论的适应性往往比方法本身更具影响力。论文明确指出该方法为建筑师和工程师在颜色/设计选择中平衡美学与工程提供了工具，这表明Birgersson的研究团队重视技术转化的最后一公里。
【竞赛报名/项目咨询+微信：mollywei007】
