Les cellules solaires pérovskites (Perovskite solar cells, PSCs) occupent une place importante dans les nouvelles technologies de cellules solaires grâce à leurs hautes performances. En raison des longs cycles de recherche et de l'inefficacité de la méthode traditionnelle d'essais et erreurs pour améliorer l'efficacité de conversion photovoltaïque (Power conversion efficiency, PCE), une méthode d'optimisation intelligente du processus de fabrication des PSCs basée sur l'apprentissage automatique (Machine learning, ML) a été proposée. En appliquant diverses algorithmes ML pour construire un modèle de prédiction de la PCE, le modèle de Gradient Boosting (GB) performant a finalement été sélectionné pour une analyse visuelle par explications additives de Shapley (Shapley additive explanations, SHAP) et une validation expérimentale. Les résultats expérimentaux montrent que les expériences guidées par la sortie du modèle ont permis d'atteindre une PCE de 21,81%. Ce travail résout non seulement efficacement les limites de la méthode traditionnelle d'essais et erreurs, mais surmonte également le problème de faible précision des prédictions ML dans le domaine des PSCs, offrant 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 nouvelles technologies de cellules solaires.

Cellules solaires pérovskites; apprentissage automatique; analyse SHAP; prédiction de l’efficacité de conversion photovoltaïque