传统的优化方法在探索复杂的过程参数空间时经常面临挑战，这通常会导致次优的局部最大值。近日，德国赫姆霍兹可再生能源研究所Christoph J. Brabec、Jiyun Zhang引入了一个由机器学习（ML）引导自动化平台驱动的自主框架，以优化环境条件下无添加剂和无钝化钙钛矿太阳能电池（PSC）的制造条件。
本文要点：
1) 通过有效地探索6D参数空间，该方法识别了五个参数集，实现了23%以上的效率，峰值效率为23.7%。特征重要性分析表明，钙钛矿加工第一和第二步的转速是影响器件性能的最重要因素，因此值得在优化工作中优先考虑。
2) 这些结果证明了自主框架在解决复杂工艺参数优化挑战方面的卓越能力及其推进钙钛矿光伏技术的潜力。除了PSC之外，该工作还为优化溶液处理半导体提供了一种可靠而全面的策略，并强调了自主方法在材料科学中的更广泛应用。
Jiyun Zhang et.al Autonomous Optimization of Air-Processed Perovskite Solar Cell in a Multidimensional Parameter Space Adv. Energy Mater. 2024
DOI: 10.1002/aenm.202404957
https://doi.org/10.1002/aenm.202404957
