发光学应用及交叉前沿 | 加速钙钛矿太阳能电池开发:基于机器学习驱动框架的SHAP分析
发光学应用及交叉前沿 | 加速钙钛矿太阳能电池开发:基于机器学习驱动框架的SHAP分析
摘要:钙钛矿太阳能电池(Perovskite solar cels,PSCs)以其高性能在新型太阳能电池技术中占据了重要地位。针对传统实验试错法在提升PSCs的光电转换效率(Power conversion effciency,PCE)方面存在研究周期长和效率低下的不足,提出了一种基于机器学习(Machine learning,ML)的PSCs制备工艺的智能优化方法。通过应用多种ML算法构建PCE预测模型,最终选择性能卓越的梯度提升(Gradient boosting,GB)模型进行夏普利加性解释(Shapley aditive explanations,SHAP)可视化分析和实验验证。实验结果表明,基于模型输出指导的实验使PSCs的PCE达到了 21.81% 。本工作不仅有效解决了传统实验试错法的局限性,还攻克了ML在PSCs领域应用中预测精度低的难题,为快速开发高PCE的PSCs提供了新视角和科学依据,也为其他新型太阳能电池技术的开发提供了参考。