Les cellules solaires à pérovskite (perovskite solar cells, PSCs) occupent une position importante dans les nouvelles technologies solaires grâce à leurs performances élevées. En raison des inconvénients de la méthode traditionnelle d'essais et erreurs pour améliorer l'efficacité de conversion photovoltaïque (power conversion efficiency, PCE) des PSCs, notamment des cycles de recherche longs et une faible efficacité, cet article propose une méthode d'optimisation intelligente du processus de fabrication des PSCs basée sur l'apprentissage automatique (machine learning, ML). En appliquant plusieurs algorithmes ML pour construire un modèle prédictif de la PCE, le modèle de gradient boosting (GB), dont la performance est excellente, a été finalement sélectionné pour une analyse de visualisation SHAP (shapley additive explanations) et une validation expérimentale. Les résultats expérimentaux montrent que les expériences guidées par les sorties du modèle ont permis d'atteindre une PCE de 21,81% pour les PSCs. Ce travail résout non seulement efficacement les limites de la méthode traditionnelle d'essais et erreurs, mais surmonte également le faible taux de précision prédictive du ML dans le domaine des PSCs, offrant une nouvelle perspective et une base scientifique pour le développement rapide de PSCs à haute PCE, tout en fournissant une référence pour le développement d'autres nouvelles technologies solaires.

Cellules solaires à pérovskite; Apprentissage automatique; Analyse SHAP; Prédiction de l'efficacité de conversion photovoltaïque