As células solares de perovskita (Perovskite solar cells, PSCs) ocupam uma posição importante na nova tecnologia de células solares devido ao seu alto desempenho. Devido às limitações do método tradicional de tentativa e erro, que apresenta ciclos de pesquisa longos e baixa eficiência na melhoria da eficiência de conversão de energia (Power conversion efficiency, PCE) dos PSCs, foi proposta uma metodologia inteligente de otimização baseada em aprendizado de máquina (Machine learning, ML) para o processo de fabricação dos PSCs. Aplicando diversos algoritmos de ML para construir um modelo preditivo de PCE, foi escolhido um modelo de gradient boosting (GB) de alto desempenho para análise visual baseada em explicações aditivas de Shapley (Shapley additive explanations, SHAP) e validação experimental. Os resultados experimentais mostraram que os experimentos guiados pelos resultados do modelo fizeram com que a PCE dos PSCs atingisse 21,81%. Este trabalho não só resolve eficazmente as limitações do método tradicional de tentativa e erro, mas também supera o problema da baixa precisão preditiva do ML no campo dos PSCs, oferecendo uma nova perspectiva e base científica para o rápido desenvolvimento de PSCs com alta PCE, além de servir como referência para o desenvolvimento de outras novas tecnologias de células solares.

Células solares de perovskita;Aprendizado de máquina;Análise SHAP;Previsão da eficiência de conversão de energia