传统的优化方法通常在探索复杂的工艺参数空间时面临挑战，这通常会导致次优的局部极大值。在此，德国尤里希研究所Jiyun Zhang和Christoph J. Brabec等人提出了一种由机器学习（ML）指导的自动化平台驱动的自适应框架，用于优化在环境条件下无需添加剂和钝化处理的钙钛矿太阳能电池（PSCs）的制造条件。通过有效地探索六维参数空间，该方法识别出了五组能够实现超过23%效率的参数集，峰值效率为23.7%，且实验预算有限。特征重要性分析表明，钙钛矿处理过程中的第一步和第二步的转速是影响器件性能的最重要因素，因此在优化过程中应优先考虑这些因素。这些结果展示了该自适应框架在解决复杂工艺参数优化挑战方面的卓越能力，并表明它在推动钙钛矿光伏技术方面的潜力。除了PSCs之外，这项工作为优化溶液处理半导体提供了可靠且全面的策略，并突出了自适应方法在材料科学中的更广泛应用。J. Zhang, V. M. Le Corre, J. Wu, T. Du, T. Osterrieder, K. Zhang, H. Zhang, L. Lüer, J. Hauch, C. J. Brabec, Autonomous Optimization of Air-Processed Perovskite Solar Cell in a Multidimensional Parameter Space. Adv. Energy Mater. 2025, 2404957.https://doi.org/10.1002/aenm.202404957学术交流QQ群知光谷光伏器件学术QQ群：641345719钙钛矿产教融合交流@知光谷（微信群）：需添加编辑微信为加强科研合作，我们为海内外科研人员专门开通了钙钛矿科创合作专业科研交流微信群。加微信群方式：添加编辑微信pvalley2024、pvalley2019，备注：姓名-单位-研究方向（无备注请恕不通过），由编辑审核后邀请入群。

特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“号”用户上传并发布，本平台仅提供信息存储服务。