تُعتبر خلايا الطاقة الشمسية من نوع البيروسكيت (Perovskite solar cells، PSCs) ذات أداء عالي موقعًا مهمًا في تقنيات الخلايا الشمسية الحديثة. لمواجهة المشكلات المتعلقة بالدورة الطويلة وعدم الكفاءة في تحسين كفاءة التحويل الكهروضوئي (Power conversion efficiency، PCE) باستخدام الطرق التجريبية التقليدية، تم اقتراح طريقة تحسين ذكية تعتمد على التعلم الآلي (Machine learning، ML) لعملية تصنيع خلايا PSCs. من خلال تطبيق خوارزميات ML متعددة لبناء نموذج تنبؤ بكفاءة التحويل الكهروضوئي، تم اختيار نموذج التعزيز بالتدرج (Gradient boosting، GB) ذو الأداء الممتاز لإجراء تحليل تفسيري باستخدام شرح شابلي الإضافي (Shapley additive explanations، SHAP) والتجارب التجريبية. أظهرت النتائج أن التجارب الموجهة بناءً على مخرجات النموذج حققت كفاءة تحويل كهروضوئي وصلت إلى 21.81٪ لخلايا PSCs. لا يقتصر هذا العمل على حل قيود الطرق التجريبية التقليدية فحسب، بل تغلب أيضًا على مشكلة الدقة المنخفضة في التنبؤ باستخدام ML في مجال PSCs، مما يوفر منظورًا جديدًا وأساسًا علميًا لتطوير خلايا PSCs عالية الكفاءة بسرعة، كما يوفر مرجعًا لتطوير تقنيات الخلايا الشمسية الحديثة الأخرى.

خلايا الطاقة الشمسية من نوع البيروسكيت; التعلم الآلي; تحليل شرح شابلي الإضافي (SHAP); التنبؤ بكفاءة التحويل الكهروضوئي