تحتل خلايا الطاقة الشمسية البيروفسكايتية (perovskite solar cells، PSCs) مكانة مهمة في تقنيات الخلايا الشمسية الحديثة بسبب أدائها العالي. وبالنظر إلى عيوب طريقة التجربة والخطأ التقليدية في تحسين كفاءة تحويل الطاقة الضوئية الكهربائية (power conversion efficiency، PCE) لخلايا PSCs مثل طول دورة البحث وانخفاض الكفاءة، تقترح هذه الورقة طريقة تحسين ذكية لعملية تحضير PSCs تعتمد على التعلم الآلي (machine learning، ML). من خلال تطبيق خوارزميات ML متعددة لبناء نموذج توقع PCE، تم اختيار نموذج تعزيز التدرج (gradient boosting، GB) المتفوق لإجراء تحليل تفسيري إضافي لـ Shapley (shapley additive explanations، SHAP) والتصور والتحقق التجريبي. أظهرت النتائج التجريبية أن التجارب المُوجهة بواسطة مخرجات النموذج حققت PCE بنسبة 21.81٪ لخلايا PSCs. لا يقتصر هذا العمل على حل قيود طريقة التجربة والخطأ التقليدية فحسب، بل يتغلب أيضًا على مشكلة الدقة المنخفضة في التنبؤ باستخدام ML في مجال PSCs، ويوفر منظورًا جديدًا وأساسًا علميًا لتطوير سريع لخلايا PSCs ذات كفاءة تحويل طاقة عالية، كما يقدم مرجعًا لتطوير تقنيات أخرى للخلايا الشمسية الحديثة.

خلايا الطاقة الشمسية البيروفسكايتية; التعلم الآلي; تحليل SHAP; توقع كفاءة تحويل الطاقة الضوئية