Perowskit-Solarzellen (PSCs) nehmen aufgrund ihrer hohen Leistungsfähigkeit in der neuen Solarzellentechnologie einen wichtigen Platz ein. In dieser Arbeit wird eine intelligente Optimierungsmethode für die Herstellung von PSCs vorgeschlagen, die auf maschinellem Lernen (ML) beruht, um die Einschränkungen herkömmlicher Versuchs-und-Irrtum-Methoden bei der Steigerung des Wirkungsgrades der Lichtenergiewandlung (PCE) zu überwinden. Durch den Aufbau eines PCE-Vorhersagemodells mit verschiedenen ML-Algorithmen wurde schließlich ein leistungsstarkes Gradient-Boosting (GB) -Modell ausgewählt, gefolgt von einer visuellen SHAP-Analyse (SHAP-Zusätzliche Erklärungen) und experimenteller Bestätigung. Die experimentellen Ergebnisse zeigen, dass durch die Verwendung der Modellausgaben zur Steuerung der Experimente der PCE für PSCs auf 21,81% gesteigert wurde. Diese Arbeit löst nicht nur wirksam die Einschränkungen herkömmlicher Versuchs-und-Irrtum-Methoden, sondern bewältigt auch die Herausforderungen der geringen Vorhersagegenauigkeit von PSCs im Bereich maschinelles Lernen. Sie bietet eine neue Perspektive und wissenschaftliche Grundlagen für die schnelle Entwicklung von hoch-PCE-PSCs und dient auch als Referenz für die Entwicklung anderer neuer Solarzellentechnologien.

Perowskit-Solarzellen; maschinelles Lernen; SHAP-Analyse; Vorhersage des Wirkungsgrades der Lichtenergiewandlung