Перовскитные солнечные элементы (Perovskite solar cells, PSCs) занимают важное место в новых технологиях солнечных элементов благодаря своей высокой производительности. В связи с недостатками традиционного экспериментального метода проб и ошибок, который характеризуется длительным исследовательским циклом и низкой эффективностью при повышении фотогальванической эффективности (Power conversion efficiency, PCE) PSCs, была предложена интеллектуальная оптимизация процесса изготовления PSCs на основе машинного обучения (Machine learning, ML). Путём применения различных алгоритмов ML для построения модели прогнозирования PCE был в конечном итоге выбран высокоэффективный градиентный бустинг (Gradient boosting, GB) для визуального анализа с помощью объяснений Шэпли аддитивной модели (Shapley additive explanations, SHAP) и экспериментальной проверки. Экспериментальные результаты показали, что эксперименты, направленные на основе выходных данных модели, достигли PCE PSCs в 21,81%. Эта работа не только эффективно решает ограничения традиционных экспериментальных методов проб и ошибок, но и преодолевает проблему низкой точности прогнозирования ML в области PSCs, предоставляя новый взгляд и научную основу для быстрого развития PSCs с высокой PCE, а также служит ориентиром для разработки других новых технологий солнечных элементов.

Перовскитные солнечные элементы; Машинное обучение; Анализ объяснений Шэпли аддитивной модели (SHAP); Прогнозирование эффективности преобразования энергии