专栏名称: 研之成理

夯实基础，让基础成就辉煌；传递思想，让思想改变世界。“研之成理科研平台”立足于科研基础知识与科研思想的传递与交流，旨在创建属于大家的科研乐园！主要内容包括文献赏析，资料分享，科研总结，论文写作，软件使用等。科研路漫漫，我们会一路陪伴你！

港科大向畅颖团队：机器学习与钙钛矿电池全流程综述

研之成理 · 公众号 · 科研 · 2025-01-15 13:40

正文

▲第一作者：毛岭

通讯作者：向畅颖

通讯单位：香港科技大学，跨学科研究院综合系统与设计学部

背景介绍

钙钛矿太阳能电池作为第三代光伏技术，展现出巨大的发展潜力，其光电转换效率在短短十年间从3.8%跃升至26.7%。然而，传统方法（如人工优化和劳动密集型工艺）在提升效率和解决稳定性及规模化生产问题上进展缓慢。机器学习凭借其强大的数据处理和分析能力，通过发现稳定材料、优化器件性能以及解析相关数据，显著加速了钙钛矿太阳能电池的技术发展。尽管已有大量研究探讨机器学习在钙钛矿太阳能电池制造中的应用，但尚缺乏一项覆盖从材料发现到制造及系统集成的全面综述。针对这一空白，作者系统回顾了机器学习在钙钛矿太阳能电池全生命周期中的应用，为未来研究提供了重要参考。

拟解决关键问题

1.当前在钙钛矿太阳能电池的开发与优化全流程中，通常应用了哪些主要的机器学习算法？

2.在材料发现、器件性能提升、工艺优化和系统集成四个关键阶段，不同机器学习方法的具体表现如何？这些算法各自的优势与局限性有哪些？

3.机器学习如何帮助应对钙钛矿太阳能电池在实际应用中面临的稳定性、规模化生产和商业化推广等关键挑战？

研究思路剖析

作者从过去五年中超过500篇相关文献中筛了119篇研究论文和29篇综述文章进行深入分析。该综述系统地探讨了机器学习在钙钛矿太阳能电池领域的四大核心应用方向：材料发现、器件性能优化、工艺改进和系统集成。同时，重点剖析了当前面临的低效率、不稳定性以及规模化生产困难等主要挑战，并总结了机器学习在加速钙钛矿太阳能电池研究与发展的关键作用。

图文解析

图1.机器学习在钙钛矿电池研究的四个主要阶段：材料发现、器件性能、工艺优化和系统集成

要点1.

作者从过去五年内超过500篇相关文献中，剔除重复文章、非英文出版物、书籍以及简短通讯后，最终筛选出284篇适合深入分析的文章。并且根据这些文献所采用的机器学习方法及其在钙钛矿太阳能电池领域的具体应用方向进行了系统分类。在对284篇文献的研究方向和方法进行进一步审查后，作者最终选定119篇研究论文和29篇综述文章进行详细分析。其中，119篇研究论文根据机器学习的应用领域被划分为四类：材料发现（44篇）、器件性能优化（44篇）、工艺优化（12篇）和系统集成（19篇）。

图2常见的钙钛矿材料公开数据库汇总

要点2.

作为人工智能的重要分支，机器学习在预测与数据驱动分析中发挥着关键作用。然而，机器学习模型的成功高度依赖于数据的质量和数量，因此需要严格的数据收集与验证过程。钙钛矿材料的数据可以通过多种途径获取，例如开放存取数据库、理论模拟工具、传感器数据以及现有文献。这些数据在用于机器学习模型之前必须经过仔细筛选，以消除错误和偏差，从而确保模型的可靠性。此外，数据集的规模直接影响模型的表现，尤其是深度学习等算法在处理大规模数据时表现尤为优越。高质量数据库的可用性至关重要，它们是构建准确、可靠机器学习模型的基础。适当的数据验证过程能够有效减少误差和偏差，增强模型的泛化能力。鉴于数据集在机器学习中的重要性，并基于Bansal等人和Liang等人的研究成果，作者汇总了常见的钙钛矿相关公开数据库，供研究者参考。

图3.钙钛矿电池研究中机器学习模型选择流程

要点3.

在钙钛矿太阳能电池研究中，选择合适的机器学习模型对于优化各个阶段至关重要。机器学习算法可分为监督学习、无监督学习和强化学习，模型的选择取决于具体任务的类型。监督学习适用于具有明确输出目标的任务，例如预测晶体化合物的带隙值，并且可进一步细分为回归模型（用于连续输出）和分类模型（用于离散输出）。无监督学习则用于推断和分析未标注数据，而强化学习适合以环境奖励为驱动的任务。深度学习通常应用于监督学习和强化学习中，但需要依赖大规模数据集。集成算法通过结合多个模型，通常能获得最佳效果。

图4.119篇研究论文中所使用的机器学习算法数量统计

要点4.

统计数据显示，不同的机器学习方法在钙钛矿太阳能电池研究的各个阶段具有不同的应用频率和优势。在材料发现阶段，随机森林、支持向量机和线性回归是常用的模型。随机森林因其抗噪性强且具有良好的特征选择能力，能够高效处理高维数据；支持向量机适合高维空间的分类任务，但计算成本较高；线性回归以其简单性和可解释性见长，适用于线性可分的二分类问题。

在器件性能优化阶段，研究重点在于预测光电转换效率、带隙和掺杂浓度等关键性能指标。随机森林因其精准预测和特征重要性排序功能而备受青睐；梯度提升模型通过迭代减少误差以提升预测精度，但对计算资源和参数调优要求较高；核岭回归更适用于小规模数据集，能够提供稳定且高效的结果。

在工艺优化阶段，随机森林依然表现出色，特别是在应对噪声数据方面。人工神经网络擅长建模复杂的非线性变量关系，但需要大量数据且易出现过拟合问题；高斯过程模型则以其不确定性估计能力在精确控制实验参数时具有显著优势。

在系统集成阶段，随机森林适合处理系统中的非线性关系；卷积神经网络用于分析太阳能电池板布局等空间数据，能够有效捕捉复杂的空间模式；人工神经网络则主要用于建模光伏系统对光照强度和温度变化的动态响应。

展望未来，深度学习和生成式人工智能将显著加速钙钛矿材料的发现和工艺优化。深度学习可通过自动提取复杂特征，减少对人工特征工程的依赖；生成式人工智能则能够根据目标性能生成新材料结构，大幅提高筛选效率。此外，循环神经网络和长短时记忆网络在时间序列建模中的优异表现，有望实现制造参数的精确优化。

意义分析

1.全流程视角：系统梳理了从材料发现到系统集成的钙钛矿太阳能电池开发全生命周期中机器学习的应用，填补了研究缺乏整体性综述的空白。

2.机器学习方法评价：总结了不同机器学习方法在材料发现、器件性能优化、工艺改进和系统集成中的表现，明确了各阶段算法的优势与不足。

3.研究重点转移：揭示了研究焦点从材料科学向工艺优化与系统集成转移的趋势，反映了钙钛矿电池技术迈向实际应用和商业化的需求。

4.规模化生产挑战：深入分析了机器学习在钙钛矿太阳能电池大规模生产中面临的稳定性、泛化性和可解释性等问题。

5.未来研究方向：提出迁移学习、可解释人工智能以及无铅材料开发等关键方向，为技术突破与商业化推广提供了指导。

原文链接：

https://authors.elsevier.com/c/1k7~w8nIzMovJn

作者简介

向畅颖，香港科技大学跨学科研究院综合系统与设计学部助理教授，同时兼任香港科技大学零碳建筑与未来城市实验室主任。他是国际太阳能学会专业会员、中国国家太阳能光伏能源系统标准化技术委员会（BIPV专题组）委员、国际色彩协会（AIC环境色彩设计研究组）成员。其研究兴趣包括建筑和城市环境的智能集成光伏系统、预制建筑、太阳能建筑和可持续城市设计、建筑中的光与色彩、气候响应型和弹性城市。

毛岭，香港科技大学综合系统与设计博士研究生，建筑设计师。本科就读于浙江大学建筑系，硕士毕业于建筑联盟学院，曾就职于扎哈哈迪德建筑师事务所。目前致力于建筑光伏模拟、BIPV智能建造、参数化设计与算法优化。

课题组主页：

https://ssac-dev.hkust.edu.hk/

通讯作者主页:

https://facultyprofiles.hkust.edu.hk/profiles.php?profile=changying-xiang-changyingx

研理云服务器