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

梁锐权; 刘谦; 胡春华; 郑建楂; 李阳; 王亦文; 麦耀华

doi:10.37188/CJL.20250149

您当前的位置：

首页 >

文章列表页 >

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 | 更新时间：2025-11-26

- 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
  增强出版
- Accelerating Perovskite Solar Cell Development: A Machine Learning-driven Framework with SHAP Explainability
- “钙钛矿太阳能电池研究取得新突破，机器学习优化制备工艺，提升光电转换效率至21.81%，为太阳能电池技术发展提供新思路。”
- 发光学报 2025年46卷第11期页码：2138-2149
- 作者机构：
  
  1.五邑大学电子与信息工程学院，广东江门 529020
  2.澳门大学应用物理与材料工程学院，中国澳门 999078
  3.暨南大学物理与光电工程学院，广东广州 510632
- 作者简介：
  
  [ "梁锐权（2001-），男，广东广州人，硕士研究生，2023年于广东石油化工学院获得学士学位，主要从事人工智能与新型钙钛矿太阳能电池的相关研究。E-mail： 2681160546@qq.com" ]
  [ "李阳（1969-），男，辽宁鞍山人，博士，教授，博士生导师，2000年于南开大学获得博士学位，主要从事光电材料与器件、运用人工智能优化光电材料与器件性能等方面的研究。E-mail： insidesun51@163.com" ]
  [ "王亦文（1993-），女，山西运城人，博士，副研究员，2019年于中国香港浸会大学获得博士学位，主要从事新型有机光伏器件、钙钛矿太阳能电池及其稳定性的研究。E-mail： wangyiwen@jnu.edu.cn" ]
- 基金信息：
  
  国家自然科学基金青年科学基金(62405113);广州市科技计划项目(SL2024A04J00418);广东省重点领域研发计划项目(2019B010132004)
- DOI：10.37188/CJL.20250149
  中图分类号： TM914.4
- CSTR：32170.14.CJL.20250149
- 收稿：2025-05-13，
  
  修回：2025-05-29，
  
  纸质出版：2025-11-25
- 稿件说明：
移动端阅览
梁锐权,刘谦,胡春华等.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[J].发光学报,2025,46(11):2138-2149.

LIANG Ruiquan,LIU Qian,HU Chunhua,et al.Accelerating Perovskite Solar Cell Development: A Machine Learning-driven Framework with SHAP Explainability[J].Chinese Journal of Luminescence,2025,46(11):2138-2149.
梁锐权,刘谦,胡春华等.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[J].发光学报,2025,46(11):2138-2149. DOI： 10.37188/CJL.20250149. CSTR： 32170.14.CJL.20250149.

LIANG Ruiquan,LIU Qian,HU Chunhua,et al.Accelerating Perovskite Solar Cell Development: A Machine Learning-driven Framework with SHAP Explainability[J].Chinese Journal of Luminescence,2025,46(11):2138-2149. DOI： 10.37188/CJL.20250149. CSTR： 32170.14.CJL.20250149.

浏览量

165

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

机器学习辅助钙钛矿薄膜制备工艺优化及特征重要性评估

真空热蒸发LiF钝化策略制备高效稳定的钙钛矿太阳能电池

双分子钝化埋底界面制备高效钙钛矿太阳能电池

溶剂调控策略用于钙钛矿太阳能电池的空气环境制备

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

Accelerating Perovskite Solar Cell Development: A Machine Learning-driven Framework with SHAP Explainability

DOI：10.37188/CJL.20250149