数值工具有潜力加速混合有机 - 无机卤化物钙钛矿（HOIP）太阳能电池的开发。在本研究中，我们开发了一种机器学习（ML）方法，能够准确预测 3D/2D 结构（FAMA）Pb (IBr)₃/OABr HOIP 太阳能电池在 AM1.5 光照下的电流 - 电压行为。
通过
麻省理工学院Vladimir Bulovic等人
使用 368 个器件的测量响应，训练了一个神经网络（NN），其输入为 HOIP 薄膜的三个光学特性（透射率、光谱分辨光致发光和时间分辨光致发光），以预测太阳能电池的开路电压（Voc）、短路电流（Jsc）和填充因子（FF）。该模型对 95% 的 Voc、Jsc 和 FF 预测的准确率分别为 91%、94% 和 89%，决定系数（R²）分别为 0.47、0.77 和 0.58。通过将 ML 预测与从测量的 HOIP 薄膜光学特性中提取的物理参数联系起来，我们确定了影响预测结果的关键因素。
此外，还开发了单独的 ML 分类算法，使用相同的光学数据以 > 90% 的准确率识别性能退化的太阳能电池。这项工作展示了一种高效、非破坏性的 HOIP 太阳能电池评估方法，有助于加速下一代钙钛矿太阳能电池的开发。
文章亮点总结
-
高精度预测：
通过机器学习模型，能够以 91%、94% 和 89% 的准确率分别预测 Voc、Jsc 和 FF，显著提升了钙钛矿太阳能电池的性能评估效率。
-
非破坏性评估：
该方法基于光学特性进行预测，无需破坏器件，为钙钛矿太阳能电池的大规模生产和质量控制提供了新思路。
-
退化识别：
开发的分类算法能够以 > 90% 的准确率识别性能退化的太阳能电池，有助于及时检测和修复问题器件。
Machine Learning Prediction of Organic–Inorganic Halide Perovskite Solar Cell Performance from Optical Properties
Ruiqi Zhang, Brandon Motes, Shaun Tan, Yongli Lu, Meng-Chen Shih, Yilun Hao, Karen Yang, Shreyas Srinivasan, Moungi G. Bawendi, and Vladimir Bulović
ACS Energy Letters 0, 10
DOI: 10.1021/acsenergylett.4c03592
https://pubs.acs.org/doi/10.1021/acsenergylett.4c03592
学术交流QQ群
知光谷光伏器件学术QQ群：641345719
钙钛矿产教融合交流@知光谷（微信群）：需添加编辑微信
为加强科研合作，我们为海内外科研人员专门开通了
钙钛矿科创合作
专业科研交流微信群
。
加微信群方式：
添加编辑微信
pvalley2024、
pvalley2019
，备注：
姓名-单位-研究方向（无备注请恕不通过），由编辑审核后邀请入群。
