Perowskit-Solarzellen (Perovskite solar cells, PSCs) nehmen aufgrund ihrer hohen Leistung eine wichtige Stellung in neuen Solartechnologien ein. Angesichts der langen Forschungszyklen und der Ineffizienz der herkömmlichen Trial-and-Error-Methode zur Verbesserung der photoelektrischen Umwandlungseffizienz (Power conversion efficiency, PCE) 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 Konstruktion eines PCE-Vorhersagemodells wurde letztlich das leistungsstarke Gradient-Boosting-Modell (GB) für eine Shapley additive Erklärungen (Shapley additive explanations, SHAP) Visualisierungsanalyse und experimentelle Validierung ausgewählt. Die experimentellen Ergebnisse zeigen, dass Experimente, die durch die Modellausgabe geleitet werden, eine PCE von 21,81% erreichten. Diese Arbeit beseitigt nicht nur effektiv die Einschränkungen der herkömmlichen Trial-and-Error-Methode, sondern überwindet auch das Problem der niedrigen Vorhersagegenauigkeit von ML in PSCs und bietet neue Perspektiven und wissenschaftliche Grundlagen für die schnelle Entwicklung hocheffizienter PSCs sowie eine Referenz für die Entwicklung anderer neuer Solartechnologien.

Perowskit-Solarzellen; maschinelles Lernen; SHAP-Analyse; Vorhersage der photoelektrischen Umwandlungseffizienz