为钙钛矿太阳能电池开发可扩展的制造技术需要在高维参数空间中进行工艺优化。麻省理工学院Tonio Buonassisi、斯坦福大学Reinhold H.Dauskardt以及西北工业大学刘哲等人提出了一种机器学习 (ML) 引导的顺序学习框架，用于制造钙钛矿太阳能电池的工艺优化。

本文要点：

1）研究人员将该方法应用于用于露天钙钛矿器件制造的快速喷射等离子体处理 (RSPP) 技术。在筛选 100 个工艺条件的实验预算有限的情况下，证明了 RSPP 制造的设备的最佳结果是效率提高到了18.5%。

2）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，以及使用定位感兴趣区域的自适应策略在对高效设备进行局部探索之前进行贝叶斯优化。

3）此外，在虚拟基准测试中，与传统的实验设计方法相比，该框架在有限的实验预算下实现了更快的改进。

Zhe Liu, et al. Machine learning with knowledge constraints for process optimization of open-air perovskite solar cell manufacturing, Joule, 2022

https://doi.org/10.1016/j.joule.2022.03.003

https://www.sciencedirect.com/science/article/abs/pii/S2542435122001301#!