Солнечные батареи на перовскитной основе (PSCs) занимают важное положение в новых технологиях солнечных батарей благодаря высокой производительности. В данной работе предлагается интеллектуальный метод оптимизации процесса изготовления PSCs на основе машинного обучения (ML) для преодоления недостатков традиционных методов опытно-ошибочного подхода в увеличении эффективности преобразования световой энергии (PCE). Путем построения модели прогнозирования PCE с использованием различных алгоритмов ML, была выбрана выполняющаяся с отличным результатом модель градиентного бустинга (GB), с последующим анализом и проверкой экспериментальных данных с помощью визуализации SHAP (добавление объяснений Шапли) . Эксперименты показали, что направление испытаний на основе выводов модели привело к увеличению PCE для PSCs до 21,81%. Эта работа не только успешно преодолевает ограничения традиционного метода опытно-ошибочного подхода, но также решает проблему низкой точности прогнозирования PSCs с использованием машинного обучения, предоставляя новые перспективы и научные основы для быстрого развития высокоэффективных PSCs, а также служит в качестве руководства для развития других новых технологий солнечных батарей.

Солнечные батареи на перовскитной основе; машинное обучение; анализ SHAP; прогнозирование эффективности преобразования световой энергии