페로브스카이트 태양전지(Perovskite solar cells, PSCs)는 높은 성능으로 신형 태양전지 기술에서 중요한 위치를 차지하고 있습니다. 기존의 실험적 시행착오 방법이 PSCs의 광전 변환 효율(Power conversion efficiency, PCE) 향상에 있어서 연구 주기가 길고 효율이 낮은 문제를 해결하기 위해, 머신러닝(Machine learning, ML)을 기반으로 한 PSCs 제조 공정의 지능형 최적화 방법이 제안되었습니다. 다양한 ML 알고리즘을 적용하여 PCE 예측 모델을 구축하였으며, 최종적으로 우수한 성능을 가진 그래디언트 부스팅(Gradient boosting, GB) 모델을 선택하여 샤플리 가법 설명(Shapley additive explanations, SHAP)을 통한 시각화 분석 및 실험 검증을 수행했습니다. 실험 결과, 모델 출력에 기반한 지도 실험을 통해 PSCs의 PCE가 21.81%에 달하는 것으로 나타났습니다. 본 연구는 기존의 실험적 시행착오 방법의 한계를 효과적으로 극복했을 뿐만 아니라, PSCs 분야에서 ML 적용 시 예측 정확도 낮은 문제를 해결하여 고효율 PSCs의 신속한 개발을 위한 새로운 시각과 과학적 근거를 제공하며, 다른 신형 태양전지 기술 개발에도 참고가 됩니다.

페로브스카이트 태양전지; 머신러닝; 샤플리 가법 설명(SHAP) 분석; 광전 변환 효율 예측