Perowskit-Solarzellen (Perovskite solar cells, PSCs) nehmen aufgrund ihrer hohen Leistungsfähigkeit eine wichtige Rolle in neuen Solartechnologien ein. Da die traditionelle Versuch-und-Irrtum-Methode lange Forschungszyklen und eine geringe Effizienz bei der Verbesserung der Leistungsumwandlungseffizienz (Power conversion efficiency, PCE) von PSCs aufweist, wurde ein intelligentes Optimierungsverfahren für die Herstellung von PSCs auf Basis von maschinellem Lernen (Machine learning, ML) vorgeschlagen. Durch die Anwendung verschiedener ML-Algorithmen zur Erstellung eines PCE-Vorhersagemodells wurde letztendlich das leistungsstarke Gradient Boosting (GB)-Modell zur Visualisierung mittels Shapley Additive Explanations (SHAP) und zur experimentellen Validierung ausgewählt. Die Experimentalergebnisse zeigten, dass experimentelle Untersuchungen, die auf den Modellvorhersagen basieren, eine PCE von 21,81 % für PSCs erreichten. Diese Arbeit löst nicht nur effektiv die Einschränkungen der traditionellen Versuch-und-Irrtum-Methode, sondern überwindet auch das Problem der niedrigen Vorhersagegenauigkeit von ML im Bereich der 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 Solartechnologien.

Perowskit-Solarzellen;Maschinelles Lernen;SHAP-Analyse;Vorhersage der Leistungsumwandlungseffizienz