傳統的優化方法在探索復雜的過程參數空間時經常面臨挑戰，這通常會導致次優的局部最大值。近日，德國赫姆霍茲可再生能源研究所Christoph J. Brabec、Jiyun Zhang引入了一個由機器學習（ML）引導自動化平臺驅動的自主框架，以優化環境條件下無添加劑和無鈍化鈣鈦礦太陽能電池（PSC）的制造條件。
本文要點：
1) 通過有效地探索6D參數空間，該方法識別了五個參數集，實現了23%以上的效率，峰值效率為23.7%。特征重要性分析表明，鈣鈦礦加工第一和第二步的轉速是影響器件性能的最重要因素，因此值得在優化工作中優先考慮。
2) 這些結果證明了自主框架在解決復雜工藝參數優化挑戰方面的卓越能力及其推進鈣鈦礦光伏技術的潛力。除了PSC之外，該工作還為優化溶液處理半導體提供了一種可靠而全面的策略，并強調了自主方法在材料科學中的更廣泛應用。
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
