MIT利用机器学习扩大太阳能电池的制造规模

  钙钛矿是目前可能取代硅基太阳能光伏发电的主要竞争者。它们有望制造出更薄、更轻的太阳能板，可以在室温下制造出超高吞吐量，而且成本更低、运输和安装更容易。

  即使是在众多可能性中的一个特定的制造方法中。然而，一个基于机器学习新方法的新系统可以加快优化生产方式的发展，并帮助下一代太阳能发电成为现实。

  该系统由麻省理工学院和斯坦福大学的研究人员在过去几年开发，可以将之前的实验数据，以及基于经验丰富的工人个人观察的信息，整合到机器学习过程中。这使得结果更加准确，并且已经导致了能量转换效率为18.5%的钙钛矿电池的制造，这对于当今市场来说是一个具有竞争力的水平。

  钙钛矿是一组层状晶体化合物，由其晶格中原子的构型决定。这种化合物有成千上万种，制造方法也多种多样。虽然大多数钙钛矿材料的实验室开发使用的是一种旋转涂层技术，但这种技术不适用于大规模生产，所以世界各地的公司和实验室一直在寻找将这些实验室材料转化为实用的、可生产的产品的方法。

  美国亚利桑那州立大学助理教授Rolston说：“当你试图将实验室规模的过程转移到初创企业或生产线上时，总是面临巨大的挑战。”该团队研究了一种他们认为最有潜力的工艺，一种称为快速喷涂等离子体处理(RSPP)的方法。

  “制造过程将涉及一个移动的卷对卷表面，或一系列的薄片，当薄片滚动时，钙钛矿化合物的前驱溶液将被喷射或喷墨。然后，这种材料将进入固化阶段，提供快速而连续地输出，其产量高于任何其他光伏技术。”Rolston说。

  他补充说：“这个平台的真正突破在于，它将允许我们以其他材料无法做到的方式进行规模化。由于加工过程的原因，甚至像硅这样的材料也需要更长的时间。”

  在这个过程中，至少有12个变量可能会影响结果，其中一些变量比其他变量更容易控制。这些包括起始材料的组成、温度、湿度、加工路径的速度、用于将材料喷到基板上的喷嘴的距离以及固化材料的方法。许多这些因素可以相互作用，如果过程是在露天，那么湿度，例如，可能是不可控的。通过实验来评估这些变量的所有可能组合是不可能的，因此需要机器学习来帮助指导实验过程。

  但是，虽然大多数机器学习系统使用原始数据，如对测试样品的电气和其他属性的测量，它们通常不会纳入人类经验，如实验者对测试样本的视觉和其他属性的定性观察，或者其他研究人员报告的其他实验的信息。因此，该团队找到了一种方法，利用基于贝叶斯优化数学技术的概率系数，将这些外部信息整合到机器学习模型中。

  有了一个来自实验数据的模型，可以发现以前无法看到的趋势。例如，他们一开始很难适应周围环境中不受控制的湿度变化。但该模型向他们展示了可以通过改变温度和其他一些旋钮来克服湿度问题。

  据悉，这项研究已发表在《焦耳》杂志上。