페로브스카이트 태양전지(Perovskite solar cells, PSCs)는 높은 성능으로 신형 태양전지 기술에서 중요한 위치를 차지하고 있습니다. 전통적인 실험적 시행착오 방법이 PSCs의 광전변환효율(Power conversion efficiency, PCE)을 향상시키는 데 있어 연구 주기가 길고 효율이 낮다는 문제점을 해결하기 위해, 머신러닝(Machine learning, ML)을 기반으로 한 PSCs 제조 공정의 지능형 최적화 방법이 제안되었습니다. 다양한 ML 알고리즘을 적용하여 PCE 예측 모델을 구축하고, 최종적으로 우수한 성능의 그래디언트 부스팅(Gradient boosting, GB) 모델을 선택하여 샤플리 가법 설명(Shapley additive explanations, SHAP) 시각화 분석 및 실험 검증을 수행했습니다. 실험 결과, 모델 출력에 기반한 실험이 PSCs의 PCE를 21.81%에 도달하게 했음을 보여주었습니다. 본 연구는 전통적인 실험적 시행착오 방법의 한계를 효과적으로 해결했을 뿐만 아니라, PSCs 분야에서 ML의 예측 정확도 저하 문제를 극복하여 고PCE PSCs의 신속한 개발을 위한 새로운 시각과 과학적 근거를 제공하며, 다른 신형 태양전지 기술 개발에도 참고가 됩니다.

페로브스카이트 태양전지; 머신러닝; 샤플리 가법 설명(SHAP) 분석; 광전변환효율 예측