首页 > 行业资讯 > 引领未来！AEM: 机器学习引导的自动化平台加速高性能钙钛矿器件研发

引领未来！AEM: 机器学习引导的自动化平台加速高性能钙钛矿器件研发

时间：2023-11-10 来源：浏览：

引领未来！AEM: 机器学习引导的自动化平台加速高性能钙钛矿器件研发

张继云等科学材料站

科学材料站

微信号 SCI_Materials_Hub

功能介绍科学材料站是以材料为核心，专注材料合成、表证及应用的知识分享型平台，同时致力于电池，燃料电池，电解水制氢，二氧化碳还原，材料合成与制备等科学研究，致力于为广大用户提供优质的材料、合理的解决方案

收录于合集 #钙钛矿 75个

文章信息

利用机器学习指导的自动化平台优化钙钛矿薄膜参数空间以实现高性能钙钛矿太阳能电池

第一作者：张继云

通讯作者：张继云*，赵怡程*，Christoph J. Brabec*

单位：德国亥姆霍兹研究所，德国埃尔朗根纽伦堡大学，电子科技大学

研究背景

由于易制备、低制造成本以及高功率重量比等优势，溶液加工薄膜制造技术已被广泛应用于有机、染料敏化以及钙钛矿太阳能电池（PSCs）等新一代光伏材料的制备。开发可靠的溶液加工薄膜制备技术通常需要对高维参数空间进行优化，而利用传统试错法进行优化是非常耗时耗力的。材料加速平台（Materials Acceleration Platforms，MAPs）是一种结合了实验自动化、数据分析和机器学习（ML）等技术的自动化研究工具，旨在加速材料研究和开发过程。MAPs通过自动执行实验、收集分析数据并利用ML算法来优化材料性能，从而被认为是一种高效、精确地探索和优化多维参数空间的方法。

文章简介

近日，来自 德国亥姆霍兹研究所的张继云等人 在国际能源顶级期刊 Advanced Energy Materials（IF=27.8） 上发表了题为 “Optimizing Perovskite Thin-Film Parameter Spaces with Machine Learning-Guided Robotic Platform for High-Performance Perovskite Solar Cells” 的研究论文。该文章展示了如何利用ML指导的自动化平台来实现对钙钛矿薄膜制备高维参数空间的全局优化，进而获得效率高且长期稳定的钙钛矿器件。

本文要点

本文首先介绍了一种实现功能性薄膜高通量自动化制备的平台---SPINBOT。SPINBOT具有出色的实验控制能力，可在无人监督环境下加工数百个不同实验变量的样品。通过贝叶斯优化（BO）算法指导的迭代优化过程，SPINBOT探索了复杂的钙钛矿薄膜制备参数空间，不断提高样品的质量和可重复性。结果，通过该优化方法得到的最佳薄膜，当在自然环境中制成钙钛矿太阳能电池时，立即获得了21.6%的功率转换效率（PCE），并具有令人满意的性能可重复性。未密封的器件在金属卤化物灯和60–65℃条件处理下，持续运行1100小时后仍然保持其90%的初始效率。

图1. SPINBOT平台和逐步优化法工作流程。A）SPINBOT平台照片。平台组成：1. 具有四个运动轴（X轴、Y轴、Z轴和R轴）的机器手臂; 2. 自动化移液系统; 3. 基板夹爪; 4. 旋涂仪; 5. 移液管; 6. 96型微孔板; 7. 载体支架; 8. 热台。B）样品高通量表征示意图。表征分析方法包括稳态荧光（PL）、紫外-可见光吸收（UV-Vis Absorption）和时间分辨荧光光谱（TRPL）。C）逐步优化的工作流程示意图。优化过程包括五个步骤，共计61种实验参数组合。第1步：旋涂仪腔室内的操作氛围；第2步：反溶剂氯苯（CB）滴加过程中移液管的高度；第3步：CB的滴加速度；第4步：高速阶段的转速；第5步：CB滴加量和滴加时间的组合。

图2.逐步优化过程中薄膜的均匀性和可重复性结果。A）分组的箱线图描述了不同步骤中产生的薄膜的荧光强度。B）样品正面（薄膜）和背面（玻璃）的相对变异系数值。C）在最佳制备参数条件下制备的四个薄膜的PL强度及分布情况。

图3. 通过ML指导的闭环优化法来提高薄膜均匀性和质量。A）实验流程示意图。该流程涉及迭代优化操作，旨在实现高质量和可重复的钙钛矿。B-D）第1-8轮优化过程中PL强度及其CV值、PL发射峰CV值的演化，以及相应的预测值和误差范围。颜色带表示基于BO算法根据前一轮数据分析所得预测值和误差范围。不同颜色的实心球表示实验结果值。E）BO引导的迭代优化方法和逐步方法效果示意图。

图4. 通过SPINBOT制备的钙钛矿器件特性。A）金属卤化物钙钛矿器件的结构示意图。B）利用手动操作的“最佳参数”和逐步优化法所得最优参数制备的最佳器件的J-V曲线。C）通过BO指导的闭环优化技术在优化参数下所得器件的J-V曲线。D）利用最佳条件下在不同时间点（第1、第7和第14天）制备的36个钙钛矿器件的性能统计。E）未封装器件在金属卤化物灯（83 mW/cm ² ）下和氮气气氛中的长期稳定性表现。

本文展望

自动化材料加速平台的未来发展方向将拓展至复杂多层半导体器件系统制备优化实验，结合人工智能和机器学习技术，提升实验设计智能化水平，加速优化过程，为环保加工和可持续性材料研发提供重要支撑。随着开源和低成本的自动化装置的迅猛发展和AI算法能力的显著提升，这些以材料加速平台为基础的技术方法有望在材料科学领域更加普及，并用于执行多目标研究任务，以加速新材料的发现和发展。同时，它们将推动快速原型设计，加速新材料和设备概念的测试，促进跨学科合作，推动科学技术的交叉创新，为解决人类社会挑战做出贡献。

文章链接

“Optimizing Perovskite Thin-Film Parameter Spaces with Machine Learning-Guided Robotic Platform for High-Performance Perovskite Solar Cells” Jiyun Zhang et al.

https://onlinelibrary.wiley.com/doi/10.1002/aenm.202302594