論文の概要: Machine Learning with Knowledge Constraints for Process Optimization of
Open-Air Perovskite Solar Cell Manufacturing
- arxiv url: http://arxiv.org/abs/2110.01387v1
- Date: Fri, 1 Oct 2021 00:36:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:11:49.625719
- Title: Machine Learning with Knowledge Constraints for Process Optimization of
Open-Air Perovskite Solar Cell Manufacturing
- Title（参考訳）: オープンエアペロブスカイト太陽電池製造におけるプロセス最適化のための知識制約付き機械学習
- Authors: Zhe Liu, Nicholas Rolston, Austin C. Flick, Thomas Colburn, Zekun Ren,
Reinhold H. Dauskardt, Tonio Buonassisi
- Abstract要約: 本稿では,製造プロセス最適化のための逐次学習のMLフレームワークを提案する。
環境条件下でのペロブスカイト薄膜のラピッドスプレープラズマプロセッシング(RSPP)技術に本手法を適用した。
100条件のプロセス条件をスクリーニングする実験予算を限定し, 最高の動作装置に対して18.5%の効率向上を実証した。
- 参考スコア（独自算出の注目度）: 5.240805076177176
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Photovoltaics (PV) have achieved rapid development in the past decade in
terms of power conversion efficiency of lab-scale small-area devices; however,
successful commercialization still requires further development of low-cost,
scalable, and high-throughput manufacturing techniques. One of the key
challenges to the development of a new fabrication technique is the
high-dimensional parameter space, and machine learning (ML) can be used to
accelerate perovskite PV scaling. Here, we present an ML framework of
sequential learning for manufacturing process optimization. We apply our
methodology to the Rapid Spray Plasma Processing (RSPP) technique for
perovskite thin films in ambient conditions. With a limited experimental budget
of screening 100 conditions process conditions, we demonstrated an efficiency
improvement to 18.5% for the best performing device, and found 10 conditions to
produce the top-performing devices of higher than 17% efficiency. Our model is
enabled by three innovations: (a) flexible knowledge transfer between
experimental processes by incorporating data from prior experimental data as a
soft constraint; (b) incorporation of both subjective human observations and ML
insights when selecting next experiments; (c) adaptive strategy of locating the
region of interest using Bayesian optimization first, and then conducting local
exploration for high-efficiency devices. In virtual benchmarking, our framework
achieves faster improvements with limited experimental budgets than traditional
design-of-experiments methods (e.g., one-variable-at-a-time sampling). In
addition, this framework is shown to enable researchers' domain knowledge in
the ML-guided optimization loop; therefore, it has the potential to facilitate
the wider adoption of ML in scaling to perovskite PV manufacturing.
- Abstract（参考訳）: 太陽光発電(PV)は、実験室規模の小型デバイスの電力変換効率の観点から、過去10年間に急速に発展してきたが、商業化にはまだ、低コストでスケーラブルで高スループットな製造技術をさらに発展させる必要がある。
新しい製造技術を開発する上で重要な課題の1つは高次元パラメータ空間であり、機械学習(ML)はペロブスカイトPVスケーリングの高速化に利用できる。
本稿では,製造プロセス最適化のための逐次学習のMLフレームワークを提案する。
本手法は環境条件下でペロブスカイト薄膜の高速溶射プラズマ処理(rspp)技術に適用する。
100条件プロセス条件のスクリーニングに関する実験予算が限られていたため、最良装置の効率が18.5%に向上し、17%以上の効率で最高性能の装置を製造するための10の条件が得られた。
私たちのモデルは3つのイノベーションによって実現されます
a) 先行実験データからのデータをソフト制約として組み込むことによる実験プロセス間の柔軟な知識伝達
b) 次の実験を選択する際に、主観的人間の観察とMLの知見の両方を取り入れること。
c)まずベイズ最適化を用いて関心領域を同定し、次に高効率デバイスのための局所探索を行う適応戦略。
仮想ベンチマークでは,従来の1変数・アズ・ア・タイムサンプリング法よりも限られた実験予算で高速な改善を実現している。
さらに、このフレームワークは、ML誘導最適化ループにおける研究者のドメイン知識を可能にすることが示されており、従って、PV製造をペロブスカイトするスケーリングにおけるMLの広範な採用を促進する可能性がある。
関連論文リスト
- Unveiling Processing--Property Relationships in Laser Powder Bed Fusion: The Synergy of Machine Learning and High-throughput Experiments [0.0]
本稿では,高スループット実験と階層型機械学習(ML)の相乗効果を考慮した手法を提案する。
レーザー粉末層融合(LPBF)におけるプロセスパラメータの集合と選択された機械的特性(引張強度と延性)との複雑な関係を明らかにする。
本手法は材料非依存であり、17-4PHステンレス鋼への適用を実証する。
論文 参考訳（メタデータ） (2024-08-30T20:34:16Z) - MLXP: A Framework for Conducting Replicable Experiments in Python [63.37350735954699]
MLXPはPythonをベースとした,オープンソースの,シンプルで,軽量な実験管理ツールである。
実験プロセスを最小限のオーバーヘッドで合理化し、高いレベルの実践的オーバーヘッドを確保します。
論文 参考訳（メタデータ） (2024-02-21T14:22:20Z) - Bayesian Optimization for Robust State Preparation in Quantum Many-Body Systems [0.0]
我々は最近,超低温原子系で実装された状態準備プロトコルにベイズ最適化を適用した。
手動ランプ設計と比較して,最適化手法の優れた性能を数値シミュレーションで示す。
提案されたプロトコルとワークフローは、実験においてより複雑な多体量子状態の実現に向けた道を開く。
論文 参考訳（メタデータ） (2023-12-14T18:59:55Z) - Transformer-Powered Surrogates Close the ICF Simulation-Experiment Gap with Extremely Limited Data [24.24053233941972]
本稿では,マルチモーダル出力シナリオにおける予測精度向上のためのトランスフォーマーを用いた新しい手法を提案する。
提案手法はトランスフォーマーアーキテクチャと新しいグラフベースのハイパーパラメータ最適化手法を統合する。
実世界のデータ10枚しか入手できない慣性閉じ込め核融合実験へのアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2023-12-06T17:53:06Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。
実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-10-07T02:12:34Z) - Machine learning in bioprocess development: From promise to practice [58.720142291102135]
機械学習(ML)アプローチのようなデータ駆動の手法は、大きな設計空間を合理的に探索する可能性が高い。
本研究の目的は,これまでのバイオプロセス開発におけるML手法の適用例を示すことである。
論文 参考訳（メタデータ） (2022-10-04T13:48:59Z) - Transfer learning driven design optimization for inertial confinement
fusion [0.0]
伝達学習は、シミュレーションと実験データを共通のフレームワークに組み込む予測モデルを作成するための有望なアプローチである。
従来のモデルキャリブレーション手法よりも設計を最適化する方が効率的であることを示す。
論文 参考訳（メタデータ） (2022-05-26T17:38:57Z) - Designing Robust Biotechnological Processes Regarding Variabilities
using Multi-Objective Optimization Applied to a Biopharmaceutical Seed Train
Design [3.674863913115431]
この貢献は、不確実性に基づく上流シミュレーションとガウス過程を用いたベイズ最適化を結合したワークフローを提供する。
プロセス開発における関連産業課題のシミュレーションケーススタディでその応用を実証した。
最適化されたプロセスは、生存可能な細胞密度に関して、はるかに低い偏差率を示した。
論文 参考訳（メタデータ） (2022-05-06T14:33:02Z) - Few-shot Quality-Diversity Optimization [50.337225556491774]
品質多様性(QD)の最適化は、強化学習における知覚的最小値とスパース報酬を扱う上で効果的なツールであることが示されている。
本稿では,タスク分布の例から,パラメータ空間の最適化によって得られる経路の情報を利用して,未知の環境でQD手法を初期化する場合,数発の適応が可能であることを示す。
ロボット操作とナビゲーションベンチマークを用いて、疎密な報酬設定と密集した報酬設定の両方で実施された実験は、これらの環境でのQD最適化に必要な世代数を著しく削減することを示している。
論文 参考訳（メタデータ） (2021-09-14T17:12:20Z) - Incorporating Expert Prior Knowledge into Experimental Design via
Posterior Sampling [58.56638141701966]
実験者は、グローバルな最適な場所に関する知識を得ることができる。
グローバル最適化に関する専門家の事前知識をベイズ最適化に組み込む方法は不明である。
効率の良いベイズ最適化手法は、大域的最適の後方分布の後方サンプリングによって提案されている。
論文 参考訳（メタデータ） (2020-02-26T01:57:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。