编辑/绿萝
钙钛矿是高效的太阳能吸收剂，有望成为新兴的薄膜光伏（PV）技术。制造的面板更薄更轻，可以在室温以超高的产量制造，而且成本更低、更容易运输和安装。但将这些材料从实验室中变成具有竞争力的产品中是一场漫长的过程。
来自中国西北工业大学、美国斯坦福大学和 MIT 的研究人员，提出了一种机器学习 (ML) 引导的框架，用于制造钙钛矿太阳能电池的工艺优化。
可以将先前的实验数据和基于经验丰富的工人个人观察的信息，整合到 ML 过程中。这使得结果更加准确，并且已经制造出具有 18.5% 的能量转换效率的钙钛矿电池，这是当今市场的竞争水平。
该研究以「Machine learning with knowledge constraints for process optimization of open-air perovskite solar cell manufacturing」为题，于 2022 年 4 月 13 日发布在《Joule》上。
钙钛矿是一组层状结晶化合物。这种化合物有成千上万种，制造方法也多种多样。虽然大多数钙钛矿材料的实验室规模开发都使用旋转涂层技术，但这对于大规模制造并不实用，因此世界各地的公司和实验室一直在寻找将这些实验室材料转化为实用、可制造的产品的方法。
该团队研究了一种他们认为最有潜力的工艺，一种称为快速喷涂等离子处理（RSPP）的方法。
在这个过程中，至少有十几个变量可能会影响结果，其中一些变量比其他变量更可控。通过实验评估这些变量的所有可能组合是不可能的，因此需要机器学习来帮助指导实验过程。
但是，虽然大多数机器学习系统使用原始数据，但通常不包含人类经验，例如实验者对测试样本的视觉和其他属性的定性观察，或其他研究人员报告的其他实验的信息。
因此，该团队找到了一种方法，使用基于贝叶斯优化的数学技术的概率因子，将此类外部信息纳入机器学习模型。
具有概率约束的钙钛矿太阳能电池顺序学习优化示意图。
该模型通过三项创新实现：通过将来自先前实验数据的数据作为概率约束在实验过程之间进行灵活的知识转移；在选择下一个实验时结合主观人类观察和机器学习洞察力，以及在对高效设备进行局部探索之前，使用贝叶斯优化定位感兴趣区域的自适应策略。
斯坦福大学博士研究生 Nicholas Rolston 说，使用该系统，「有一个来自实验数据的模型，我们可以发现我们以前无法看到的趋势。例如，他们一开始很难适应周围环境中不受控制的湿度变化。但该模型向他们展示了「我们可以通过改变温度和改变其他一些旋钮来克服湿度的挑战。」
在他们的实验中，该团队专注于优化功率输出，但该系统也可用于同时纳入其他标准，例如成本和耐用性——团队成员正在继续努力。
推动商业化
赞助这项工作的能源部鼓励研究人员将该技术商业化，他们目前正专注于向现有钙钛矿制造商转让技术。「我们现在正在与公司接触，」Buonassisi 说，他们开发的代码已通过开源服务器免费提供。
现在在中国西北工业大学工作的 Liu 说，已经有几家公司正准备生产基于钙钛矿的太阳能电池板，尽管他们仍在研究如何生产这些太阳能电池板的细节。公司还没有进行大规模制造，而是从较小的高价值应用开始，例如外观很重要的建筑集成太阳能瓦片。其中三家公司「正在或正受到投资者的推动，在两年内制造 1 米乘 2 米的光伏面板 [与当今最常见的太阳能电池板相当]。」
论文链接：doi.org/10.1016/j.j…
开源地址：github.com/PV-Lab/SL-P….
