Perowskit-Solarzellen (perovskite solar cells, PSCs) nehmen aufgrund ihrer hohen Leistung eine wichtige Stellung in neuen Solarzelltechnologien ein. Angesichts der Nachteile der traditionellen Trial-and-Error-Methode bei der Verbesserung der photoelektrischen Umwandlungseffizienz (power conversion efficiency, PCE) von PSCs, wie lange Forschungszyklen und geringe Effizienz, schlägt dieser Artikel eine intelligente Optimierungsmethode für den Herstellungsprozess von PSCs auf Basis von maschinellem Lernen (machine learning, ML) vor. Durch die Anwendung mehrerer ML-Algorithmen zum Aufbau eines PCE-Vorhersagemodells wurde schließlich das leistungsstarke Gradient Boosting (GB)-Modell für eine SHAP-Visualisierungsanalyse (shapley additive explanations, SHAP) und experimentelle Validierung ausgewählt. Die experimentellen Ergebnisse zeigen, dass die auf den Modellausgaben basierenden Experimente eine PCE von 21,81 % bei PSCs erreichten. Diese Arbeit löst nicht nur effektiv die Grenzen der traditionellen Trial-and-Error-Methode, sondern überwindet auch das Problem der niedrigen Vorhersagegenauigkeit von ML im Bereich PSCs und bietet neue Perspektiven und wissenschaftliche Grundlagen für die schnelle Entwicklung von PSCs mit hoher PCE sowie eine Referenz für die Entwicklung anderer neuer Solarzelltechnologien.

Perowskit-Solarzellen; Maschinelles Lernen; SHAP-Analyse; Prognose der photoelektrischen Umwandlungseffizienz