工艺优化对最大化材料和器件的性能至关重要。 光电元件具有复杂的多层结构，受到许多工艺参数的影响，因此对工艺优化更为敏感。 传统的设备优化方法如贝叶斯网络、格点搜索和粒子群算法等是基于黑匣子的优化模型，即直接建立工艺参数与设备性能的关联。 但是，这种方法由于缺乏物理支持，强烈依赖于参数范围的选择，一方面难以全局得到最佳结果，另一方面也难以找出产生设备瓶颈的本质原因。
由麻省理工学院和新加坡国立大学的Tonio Buonassisi领导的联合团队，变革了完全基于传统黑匣子模型的光伏组件优化方法。 他们以材料的物理性能为桥梁，结合工艺参数和器件性能，构建了基于贝叶斯网络的工艺优化新方法。 另一方面，将材料的物理性能，例如体材料的掺杂度和界面的载流子复合率等作为约束条件导入贝叶斯网络，使其与生长温度等工艺参数结合。 另一方面，建立了基于神经网络的代理器件物理模型，根据材料性能预测了实际器件的效率。 通过将训练有素的代理模型和贝叶斯网络相结合，实现光伏组件的逐层优化。 值得注意的是，在这项研究中提出的代理设备物理模型比传统的设备性能计算方法有100倍以上的效率。 他们将该方法具体应用于砷化镓太阳能电池的工艺参数优化。 结果表明，该方法仅通过5组气相沉积实验就能给出电池各层对应的最佳薄膜沉积温度，由此得到的器件效率比传统方法高6.5%。 该优化方法与传统的基于黑匣子模式的设备优化方法相比，不仅节约了所需的实验数据，而且更加准确。 目前，许多能源和功能器件基于黑匣子模型实现了器件优化，因此该研究提出的方法具有一定的共性，有望在热电、电池和晶体管等其他器件上推广优化。
这篇文章最近发表在NPJC Computational Materials 63360 (2020 )上，英文标题和摘要如下，https://WWW.Nature.com/Articles/s 41524-020-0277
embeddingphysicsdomainknowledgeintoabayesiannetworkenableslayer-by-layerprocessinnovationforphotovoltaics
祖君仁，费里PE视频，曼纽伊，四月，月王，汉松学校，Jose Dario Perea，Mariya Layurova，托马斯雪穆Christoph J. Brabec，罗尔夫Stangl，前小里，Shijing Sun，汾林，Ianmariuspetersandtoniobuonasisi
processoptimizationofphotovoltaicdevicesisatime-intensive，三级和错误编码器， whichlacksfulltransparencyoftheunderlyingphysicsandreliesonuser-imposedconstraintsthatmayormayormaynotleadtoaglobaloptimum.here hysicsdomainknowledgeintoabayesiannetworkenablesanoptimizationapproachforgalliumarsenide (GaAs ) )。 solarcellsthatidentifiestherootcause (s )。 ofunderperformancewithlayer-by-layerresolutionandrevealsalternativeoptimalprocesswindowsbeyondtraditionalblack-boxoptimitimic Keygaasprocessvariable (全球模板)基本描述符) bulkandinterfaceproperties，e.e Bulk生命周期，doping， Andsurfacerecombination (Anddeviceperformanceparameters (e.g . cell efficiency ).for this purpose wecombineabayesianiferameworkwithaneuralnetworksurrogatedevice -物理模块100 s.web ainedsurrogatemodelandonlyasmallnumberofexperimentalsamples， orapproachreducessignificantlythetime-consuminginterventionandcharacterizationrequiredbytheexperimentalist.asa Demonstratition inonlyfivemetalorganicchemicalvapordepositions，weidentifyasuperiorgrowthtemperatureprofileforthewindow，批量，Andbacksurfaraw withoutanysecondarymeasurements，Anddemonstratea 6.5 % relative am 1.5 Gefficiencyimprate