Перовскитные солнечные элементы (perovskite solar cells, PSCs) занимают важное место в новых технологиях солнечных элементов благодаря своей высокой эффективности. Учитывая недостатки традиционного метода проб и ошибок в повышении фотоконверсионной эффективности (power conversion efficiency, PCE) PSCs, такие как длительный исследовательский цикл и низкая эффективность, в этой статье предлагается интеллектуальный метод оптимизации процесса изготовления PSCs на основе машинного обучения (machine learning, ML). Применяя различные алгоритмы ML для построения модели прогнозирования PCE, был выбран высокоэффективный градиентный бустинг (gradient boosting, GB) для визуализации и экспериментальной проверки с использованием SHAP (shapley additive explanations). Экспериментальные результаты показывают, что эксперименты, управляемые выходными данными модели, достигли PCE PSCs в 21,81%. Эта работа не только эффективно решает ограничения традиционного метода проб и ошибок, но и преодолевает проблему низкой точности прогнозирования ML в области PSCs, предоставляя новые перспективы и научные основания для быстрого развития PSCs с высокой PCE, а также служит ориентиром для разработки других новых технологий солнечных элементов.

Перовскитные солнечные элементы; Машинное обучение; Анализ SHAP; Прогнозирование эффективности фотоконверсии