ペロブスカイト太陽電池（perovskite solar cells、PSCs）は、その高い性能により新しい太陽電池技術の中で重要な地位を占めています。従来の試行錯誤法がPSCsの光電変換効率（power conversion efficiency、PCE）向上において研究期間が長く効率が低いという欠点があることから、本論文では機械学習（machine learning、ML）に基づくPSCs製造プロセスの知的最適化手法を提案します。複数のMLアルゴリズムを適用してPCE予測モデルを構築し、最終的に優れた性能を持つ勾配ブースティング（gradient boosting、GB）モデルを選択して、シャプレー加法的説明（shapley additive explanations、SHAP）による可視化解析および実験検証を行いました。実験結果は、モデル出力に基づく実験がPSCsのPCEを21.81％に達成したことを示しています。本研究は、従来の試行錯誤法の限界を効果的に解決しただけでなく、PSCs分野におけるMLの予測精度の低さという課題を克服し、高PCEのPSCsの迅速な開発に新たな視点と科学的根拠を提供し、他の新しい太陽電池技術の開発にも参考となるものです。

ペロブスカイト太陽電池; 機械学習; SHAP解析; 光電変換効率予測