要點(diǎn)2：ML方法如何加速鈣鈦礦產(chǎn)業(yè)化？

由于產(chǎn)業(yè)界重視降低風(fēng)險(xiǎn)，因此作者針對(duì)以上幾點(diǎn)挑戰(zhàn)強(qiáng)調(diào)了現(xiàn)有的ML方法在鈣鈦礦或一般制造業(yè)中的應(yīng)用：

（1）開發(fā)、維護(hù)并升級(jí)基準(zhǔn)工藝

開發(fā)基準(zhǔn)鈣鈦礦制造工藝可能是一項(xiàng)成本高昂的優(yōu)化工作，需要在由各種器件層和相應(yīng)的工藝條件組成的高維設(shè)計(jì)空間中進(jìn)行優(yōu)化。其中，包括貝葉斯優(yōu)化（BO）在內(nèi)的主動(dòng)學(xué)習(xí)提供了一種以較小的實(shí)驗(yàn)預(yù)算確定最佳鈣鈦礦工藝條件的方法。此外，主動(dòng)學(xué)習(xí)在指導(dǎo)候選鈣鈦礦材料的高通量計(jì)算篩選方面也是有效的。一旦建立了基準(zhǔn)流程，就必須針對(duì)外部變化（如制造環(huán)境、化學(xué)前體、操作員/工具等的變化）對(duì)其進(jìn)行跟蹤和維護(hù)。應(yīng)用于制造業(yè)的BO研究不僅側(cè)重于確定性能最高的工藝流程，而且還側(cè)重于確定最穩(wěn)健的工藝，這可通過識(shí)別性能參數(shù)中相對(duì)平坦的平臺(tái)來實(shí)現(xiàn)。

（2）擴(kuò)大化生產(chǎn)

計(jì)算機(jī)視覺提供了對(duì)空間和時(shí)間不均勻性的快速識(shí)別，計(jì)算機(jī)視覺與ML相結(jié)合可預(yù)測(cè)不均勻性對(duì)器件性能的影響且提出過程控制修正建議。完善的成像處理工具利用ML在處理大型像素?cái)?shù)據(jù)集方面的優(yōu)勢(shì)，因此為監(jiān)測(cè)、量化和控制大面積器件中的空間變化參數(shù)提供了有效途徑?；贛L方法，有可能在生產(chǎn)線早期實(shí)現(xiàn)性能預(yù)測(cè)改進(jìn)、及早檢測(cè)過程偏差和質(zhì)量事故及更有效的預(yù)防性維護(hù)。

圖2. 用于鈣鈦礦商業(yè)化的現(xiàn)有ML工具

（3）針對(duì)性能不佳進(jìn)行故障排除并估計(jì)性能改進(jìn)

太陽能電池性能不佳的根本原因可通過物理模擬與電流-電壓曲線測(cè)量相結(jié)合來提取。但是，這種故障排除方法可能既耗時(shí)又不確定，因?yàn)槟M擬合變量的數(shù)量可能很大，并且兩個(gè)或多個(gè)限制因素經(jīng)常結(jié)合起來限制性能。如果提供一個(gè)物理模型來模擬系統(tǒng)對(duì)實(shí)驗(yàn)輸入的響應(yīng)，貝葉斯推理可在該模型背景下理解物理實(shí)驗(yàn)的結(jié)果，從而從故障分析中提取根本原因。此外，ML模型還可幫助工程師在制造或穩(wěn)定性測(cè)試過程中建立表征結(jié)果之間的相關(guān)性及最終性能參數(shù)的優(yōu)點(diǎn)，從而節(jié)省時(shí)間和資源，最終找到性能的早期預(yù)測(cè)指標(biāo)。

（4）培養(yǎng)內(nèi)部數(shù)據(jù)科學(xué)人才

對(duì)于鈣鈦礦制造商而言，不提高現(xiàn)有員工在ML方法方面的技能不僅會(huì)帶來機(jī)會(huì)成本，而且還會(huì)帶來時(shí)間風(fēng)險(xiǎn)。以下是提高應(yīng)用ML技能的一些資源：

一、ML教程和實(shí)際示例存儲(chǔ)庫越來越多，如MLOps和Accelerated Materials Development for Manufacturing；

二、上述示例通常包括GitHub或Papers with Code等存儲(chǔ)庫上的開源代碼，Stack Overflow是一個(gè)最有用的故障排除社區(qū)；

三、為了跟上文獻(xiàn)的步伐，建議訪問arXiv預(yù)印本的摘要，如Google Scholar。此外，社交媒體也是預(yù)印本的一種非常有效的分享渠道。

要點(diǎn)3：展望未來鈣鈦礦領(lǐng)域的ML技術(shù)

目前正在發(fā)展中的ML學(xué)術(shù)研究將有助于鈣鈦礦的商業(yè)化，提供新的和潛在的變革性工具：（1）成功的逆向設(shè)計(jì)可發(fā)現(xiàn)新的鈣鈦礦成分空間，從而提高環(huán)境穩(wěn)定性、在更廣泛的光照條件下保持高性能、去除鉛、提高制造過程中對(duì)時(shí)間和空間變化的彈性等；（2）成功的“知識(shí)提取”，即從ML模型中獲得更大的物理洞察力可使研究人員更好地接受ML方法并更好地概括結(jié)果；（3）遷移學(xué)習(xí)可加速生產(chǎn)線之間或同一生產(chǎn)線內(nèi)隨時(shí)間的配方適應(yīng)性、新工藝從研發(fā)到制造及在具有相似輸入和輸出參數(shù)的制造方法之間的轉(zhuǎn)移；（4）自然語言處理（NLP）的進(jìn)步可促進(jìn)將新發(fā)布的流程以編程方式提取和部署到研發(fā)中，從而增強(qiáng)上述ML工具。

圖3. 展望用于鈣鈦礦商業(yè)化的ML工具

Opportunities for machine learning to accelerate halide-perovskite commercialization and scale-up, Matter 2022. DOI: 10.1016/j.matt.2022.04.016

https://doi.org/10.1016/j.matt.2022.04.016