Перовскитные солнечные элементы (Perovskite solar cells, PSCs) занимают важное место в новых технологиях солнечных элементов благодаря своей высокой производительности. В связи с тем, что традиционный метод проб и ошибок имеет длительный цикл исследований и низкую эффективность при повышении фотопреобразовательной 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 выбран высокоэффективный градиентный бустинг (Gradient boosting, GB) для визуального анализа по методу аддитивных объяснений Шапли (Shapley additive explanations, SHAP) и экспериментальной проверки. Результаты экспериментов показали, что испытания, управляемые выходными данными модели, позволили достичь PCE PSCs на уровне 21.81%. Работа не только эффективно решает ограничения традиционного метода проб и ошибок, но и преодолевает проблему низкой точности прогнозирования ML в области PSCs, предоставляя новый взгляд и научную основу для быстрого развития высокоэффективных PSCs, а также служит ориентиром для разработки других новых технологий солнечных элементов.

Перовскитные солнечные элементы;машинное обучение;анализ SHAP;прогнозирование эффективности преобразования энергии