Les cellules solaires à pérovskite (Perovskite solar cells, PSCs) occupent une place importante dans les nouvelles technologies de cellules solaires grâce à leurs hautes performances. Pour pallier les limites de la méthode expérimentale traditionnelle par essais-erreurs, caractérisée par de longs cycles de recherche et une faible efficacité dans l’amélioration de l’efficacité de conversion de puissance (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 plusieurs algorithmes ML pour construire un modèle prédictif de la PCE, un modèle de gradient boosting (GB) performant a été choisi pour une analyse de visualisation par explications additives de Shapley (Shapley additive explanations, SHAP) et une validation expérimentale. Les résultats expérimentaux montrent que les essais guidés par la sortie du modèle ont permis d’atteindre une PCE de 21,81 % pour les PSCs. Ce travail résout efficacement les limites de la méthode expérimentale traditionnelle et surmonte le faible degré de précision des prédictions 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 servant de référence pour le développement d’autres technologies de cellules solaires nouvelles.

Cellules solaires à pérovskite;Apprentissage automatique;Analyse SHAP;Prédiction de l’efficacité de conversion de puissance