Перовскитные солнечные элементы (Perovskite solar cells, PSCs) занимают важное место в новых технологиях солнечных элементов благодаря высокой производительности. В связи с длительным сроком исследований и низкой эффективностью традиционного метода проб и ошибок при повышении фотоэлектрического коэффициента преобразования (Power conversion efficiency, PCE) предложен интеллектуальный метод оптимизации процесса изготовления PSCs на основе машинного обучения (Machine learning, ML). С помощью различных алгоритмов ML был построен модель прогнозирования PCE, в конечном итоге был выбран высокоэффективный градиентный бустинг (Gradient boosting, GB) для визуального анализа методом аддитивных объяснений Шепли (Shapley additive explanations, SHAP) и экспериментальной проверки. Экспериментальные результаты показали, что эксперимент, направляемый выходными данными модели, достиг PCE 21.81%. Эта работа не только эффективно устраняет ограничения традиционного метода проб и ошибок, но и решает проблему низкой точности прогнозов применения ML в области PSCs, предоставляя новые перспективы и научную основу для быстрого развития PSCs с высоким PCE, а также служит ориентиром для разработки других новых технологий солнечных элементов.

перовскитные солнечные элементы; машинное обучение; SHAP-анализ; прогнозирование фотоэлектрического КПД