Les cellules solaires à base de pérovskite (PSCs) occupent une place importante dans les nouvelles technologies de cellules solaires en raison de leurs hautes performances. Cet article présente une méthode d'optimisation intelligente du processus de fabrication des PSCs basée sur l'apprentissage automatique (ML) pour surmonter les lacunes des méthodes traditionnelles d'essai-erreur dans l'augmentation de l'efficacité de conversion de puissance (PCE). En construisant un modèle de prédiction PCE à l'aide de divers algorithmes ML, un modèle de boosting de gradient (GB) performant a été choisi, suivi d'une analyse visuelle SHAP (explications addictives de Shapley) et d'une vérification expérimentale. Les résultats expérimentaux montrent que les expériences guidées par les sorties du modèle ont permis d'atteindre un PCE pour les PSCs de 21,81%. Ce travail résout efficacement les limites des méthodes traditionnelles d'essai-erreur et surmonte les défis liés à la faible précision de prévision des PSCs grâce à l'apprentissage automatique, offrant ainsi un nouveau regard et des bases scientifiques pour le développement rapide de PSCs à haute PCE, et servant de référence pour le développement d'autres nouvelles technologies de cellules solaires.

Cellules solaires à base de pérovskite; apprentissage automatique; analyse SHAP; prédiction de l'efficacité de conversion de puissance