Les cellules solaires à pérovskite (Perovskite solar cells, PSCs) occupent une place importante dans les technologies solaires innovantes grâce à leurs hautes performances. Pour remédier aux limites des méthodes expérimentales traditionnelles basées sur l'essai-erreur, qui présentent des cycles de recherche longs et une faible efficacité dans l'amélioration de l'efficacité de conversion photovoltaïque (Power conversion efficiency, PCE) des PSCs, une méthode d'optimisation intelligente basée sur l'apprentissage automatique (Machine learning, ML) pour le procédé de fabrication des PSCs a été proposée. En appliquant différentes algorithmes de ML pour construire un modèle prédictif de la PCE, le modèle de gradient boosting (Gradient boosting, GB) performant a été finalement sélectionné pour une analyse visuelle par explications additives de Shapley (Shapley additive explanations, SHAP) et une validation expérimentale. Les résultats expérimentaux ont montré que les expériences guidées par la sortie du modèle ont permis d'atteindre une PCE de 21,81% pour les PSCs. Ce travail résout non seulement efficacement les limitations des méthodes expérimentales traditionnelles, mais surmonte également le faible niveau de précision des prédictions basées sur le ML dans le domaine des PSCs, fournissant ainsi une nouvelle perspective et une base scientifique pour le développement rapide de PSCs à haute PCE, ainsi qu'une référence pour le développement d'autres technologies solaires innovantes.

Cellules solaires à pérovskite; Apprentissage automatique; Analyse SHAP (Shapley additive explanations); Prédiction de l'efficacité de conversion photovoltaïque