带知识约束的机器学习用于开放大气钙钛矿太阳能电池制造工艺优化
机器学习
2022-02-08 v4 应用物理
摘要
钙钛矿光伏（PV）在过去十年中于小面积实验室级器件的功率转换效率方面取得了快速发展；然而，成功的商业化仍需进一步开发低成本、可规模化且高吞吐量的制造技术。开发新制造技术的关键挑战之一是待优化的高维参数空间，但机器学习（ML）可轻易用于加速钙钛矿光伏的规模化。在此，我们提出一种用于制造工艺优化的序贯学习 ML 引导框架。我们将该方法应用于环境条件下钙钛矿薄膜的快速喷涂等离子体处理（RSPP）技术。在筛选 100 个工艺条件的有限实验预算下，我们展示了效率提升至 18.5%，作为我们实验室内 RSPP 制备的最佳器件，并且我们通过实验发现了 10 个独特工艺条件可制备效率超过 17% 的顶尖器件，其成功率是采用伪随机拉丁超立方采样的对照实验的 5 倍。我们的模型得益于三项创新：（a）通过将先前实验数据作为概率约束，实现实验工艺间的灵活知识迁移；（b）在选择下一步实验时结合主观人类观察与 ML 洞察；（c）先使用贝叶斯优化定位感兴趣区域，再进行局部探索以获取高效率器件的自适应策略。此外，在虚拟基准测试中，我们的框架在有限实验预算下比传统实验设计方法（例如一次一变量采样）实现更快的改进。
引用
@article{arxiv.2110.01387,
title = {Machine Learning with Knowledge Constraints for Process Optimization of Open-Air Perovskite Solar Cell Manufacturing},
author = {Zhe Liu and Nicholas Rolston and Austin C. Flick and Thomas W. Colburn and Zekun Ren and Reinhold H. Dauskardt and Tonio Buonassisi},
journal= {arXiv preprint arXiv:2110.01387},
year = {2022}
}