Perowskit-Solarzellen (Perovskite solar cells, PSCs) nehmen aufgrund ihrer hohen Leistung eine wichtige Stellung in der neuen Solarzellentechnologie ein. Angesichts der Nachteile der herkömmlichen experimentellen Trial-and-Error-Methode, die lange Forschungszyklen und geringe Effizienz bei der Verbesserung der Leistungsumwandlungseffizienz (Power conversion efficiency, PCE) der PSCs aufweist, wurde eine intelligente Optimierungsmethode für den Herstellungsprozess von PSCs auf Basis von maschinellem Lernen (Machine learning, ML) vorgeschlagen. Durch die Anwendung verschiedener ML-Algorithmen zur Erstellung eines PCE-Vorhersagemodells wurde schließlich das leistungsstarke Gradient Boosting (Gradient boosting, GB) Modell für die Shapley additive Erklärungen (Shapley additive explanations, SHAP) Visualisierungsanalyse und experimentelle Validierung ausgewählt. Die experimentellen Ergebnisse zeigen, dass die auf den Modellausgaben basierenden Experimente eine PCE von 21,81 % der PSCs erzielten. Diese Arbeit löst nicht nur effektiv die Einschränkungen der herkömmlichen 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 Solarzellentechnologien.

Perowskit-Solarzellen; Maschinelles Lernen; SHAP-Analyse (Shapley additive explanations); Vorhersage der Leistungsumwandlungseffizienz