تُحتل خلايا شمسية من نوع البيروفسكايت (Perovskite solar cells، PSCs) مكانة مهمة في تكنولوجيا الخلايا الشمسية الجديدة نظرًا لأدائها العالي. نظرًا لطول وبطء فترة البحث في تحسين كفاءة التحويل الكهروضوئي (Power conversion efficiency، PCE) باستخدام طريقة التجربة والخطأ التقليدية، تم اقتراح طريقة ذكية لتحسين عملية تصنيع PSCs تعتمد على التعلم الآلي (Machine learning، ML). من خلال تطبيق عدة خوارزميات ML لبناء نموذج تنبؤ بكفاءة التحويل PCE، تم اختيار نموذج التعزيز التدريجي (Gradient boosting، GB) المتفوق لإجراء تحليل مرئي باستخدام تفسيرات شابلي التضافرية (Shapley additive explanations، SHAP) والتحقق التجريبي. أظهرت النتائج التجريبية أن التوجيه المستند إلى خرج النموذج قاد إلى تحقيق كفاءة تحويل PSCs بنسبة 21.81%. هذا العمل لا يعالج فقط قيود طريقة التجربة والخطأ التقليدية، بل يتجاوز أيضًا مشكلة انخفاض دقة التنبؤ في تطبيق ML في مجال PSCs، ويوفر منظورًا جديدًا وأساسًا علميًا لتطوير سريع لخلايا PSCs عالية الكفاءة، كما يقدم مرجعًا لتطوير تقنيات خلايا شمسية جديدة أخرى.

خلايا شمسية بيروفسكايت; التعلم الآلي; تحليل تفسيرات شابلي التضافرية (SHAP); التنبؤ بكفاءة التحويل الكهروضوئي