通过机器学习筛选钙钛矿太阳能电池的制造过程参数

在过去的几年中，金属卤化物钙钛矿太阳能电池（PSC）迅速发展。为了实现高性能PSC，改善钙钛矿膜的制造过程和组成至关重要。

已经进行了广泛的工作，以确定制造过程的影响以及钙钛矿膜对设备性能的组成。但是，由于这些因素构建的巨大可变空间，很难阐明它们的相关性。

当然，探索这些关系对于预测设备性能以进行有效设备优化至关重要。但是由于这些因素的复杂性，到目前为止，仅通过实验才能执行这项工作。

最近，郑徐教授和北京北京大学副教授Dandan Song批准了机器学习（ML）方法，通过学习当前的实验结果来检查此类相关性，从而允许从这些因素中预测设备的性能。

通过Shapley添加说明（SHAP）分析检查了此类因素对设备性能的影响。此外，为了增强ML模型的可解释性，作者考虑了A位置阳离子作为一个例子来描述和确认通过密度功能理论（DFT）计算和实验确认预测的结果。

这项研究彻底阐明了ML如何指导设备的优化，从而充当了实现高性能PSC实验的反向设计的指南。

期刊参考：

lu，y。等。（2022）通过机器学习现有的实验结果来预测实验参数的钙钛矿太阳能电池的设备性能。能源化学杂志。doi.org/10.1016/j.jechem.2022.10.024。

资源：http://english.dicp.cas.cn/