High-performance semiconductor optoelectronics such as perovskites have high-dimensional and vast composition spaces that govern the performance properties of the material. To cost-effectively search these composition spaces, we utilize a high-throughput experimentation method of rapidly printing discrete droplets via inkjet deposition, in which each droplet is comprised of a unique permutation of semiconductor materials. However, inkjet printer systems are not optimized to run high-throughput experimentation on semiconductor materials. Thus, in this work, we develop a computer vision-driven Bayesian optimization framework for optimizing the deposited droplet structures from an inkjet printer such that it is tuned to perform high-throughput experimentation on semiconductor materials. The goal of this framework is to tune to the hardware conditions of the inkjet printer in the shortest amount of time using the fewest number of droplet samples such that we minimize the time and resources spent on setting the system up for material discovery applications. We demonstrate convergence on optimum inkjet hardware conditions in 10 minutes using Bayesian optimization of computer vision-scored droplet structures. We compare our Bayesian optimization results with stochastic gradient descent.

中文翻译：

---

通过循环中的贝叶斯优化对实验性喷墨硬件进行在线预处理

高性能半导体光电器件（例如钙钛矿）具有高维和巨大的成分空间，这些空间控制着材料的性能。为了经济有效地搜索这些组成空间，我们使用了一种高通量实验方法，该方法通过喷墨沉积快速打印离散液滴，其中每个液滴都由半导体材料的独特排列组成。但是，喷墨打印机系统并未针对在半导体材料上进行高通量实验进行优化。因此，在这项工作中，我们开发了一种计算机视觉驱动的贝叶斯优化框架，用于优化从喷墨打印机沉积的液滴结构，以便对其进行调整以对半导体材料执行高通量实验。该框架的目标是使用最少的液滴样本在最短的时间内调整喷墨打印机的硬件条件，以使我们最小化为材料发现应用设置系统所花费的时间和资源。我们使用计算机视觉评分的墨滴结构的贝叶斯优化，在10分钟内证明了最佳喷墨硬件条件的收敛性。我们将贝叶斯优化结果与随机梯度下降进行比较。我们使用计算机视觉评分的墨滴结构的贝叶斯优化，在10分钟内证明了最佳喷墨硬件条件的收敛性。我们将贝叶斯优化结果与随机梯度下降进行比较。我们使用计算机视觉评分的墨滴结构的贝叶斯优化，在10分钟内证明了最佳喷墨硬件条件的收敛性。我们将贝叶斯优化结果与随机梯度下降进行比较。