实现高性能且具有良好重复性的钙钛矿太阳能电池仍然是一项重大挑战，因其本质上对制备过程波动和环境变化极为敏感。
为解决该问题，本研究德国埃尔兰根-纽伦堡赫尔姆霍兹研究所Yanxue Wang和Ian M. Peters等人提出了一种自主优化框架，融合混合机器学习与高通量实验技术，并采用改进的梯度上升方法，以优化制备工艺并最小化实验误差。该框架成功构建了制备参数与光伏性能指标之间复杂的非线性依赖关系，并揭示了关键参数之间的解耦机制。经过7轮优化、144组参数实验，平台上的器件效率与重复性均显著提升。优化后的最佳器件效率超过24%，优于经验人工操作者的性能（20.6%效率，变异系数>25%），并将变异系数降低至4.7%以下，该改进在多次独立实验中均得到验证。
本研究为提高钙钛矿太阳能电池性能与重复性提供了实用策略，并为可扩展制造与材料加速开发奠定了基础。
研究亮点：
- 混合学习策略实现高效自动化优化：结合贝叶斯优化与局部“Umbrella”搜索方法，在五维参数空间中自主优化钙钛矿太阳能电池制备工艺，显著提升效率与重复性。
- 重复性大幅提升，变异系数低于5%：优化后的器件效率超过24%，变异系数（CV）从人工操作的 >25% 降至 4.7% 以下，实现了跨批次、跨时间的高重复性制备。
- 多维参数空间分析与性能解耦机制：系统揭示了开路电压（Voc）与短路电流（Jsc）、填充因子（FF）之间的解耦现象，为多目标优化提供了新思路，并验证了方法在多种钙钛矿体系中的普适性。
Y. Wang, S. Perea-Puente, V. M. Le Corre, et al. “ Hybrid Learning Enables Reproducible >24% Efficiency in Autonomously Fabricated Perovskites Solar Cells.” Advanced Energy Materials (2025): e04340.
https://doi.org/10.1002/aenm.202504340
