Las celdas solares de perovskita (Perovskite solar cells, PSCs) ocupan una posición importante en las nuevas tecnologías de células solares debido a su alto rendimiento. Debido al largo ciclo de investigación y la baja eficiencia del método tradicional de ensayo y error para mejorar la eficiencia de conversión de potencia (Power conversion efficiency, PCE), se propuso un método inteligente de optimización del proceso de fabricación de PSCs basado en el aprendizaje automático (Machine learning, ML). Mediante la aplicación de varios algoritmos de ML para construir un modelo de predicción de PCE, finalmente se seleccionó el modelo de impulso de gradiente (Gradient boosting, GB) con excelente rendimiento para el análisis visual con explicaciones aditivas de Shapley (Shapley additive explanations, SHAP) y la validación experimental. Los resultados experimentales muestran que los experimentos guiados por la salida del modelo lograron una PCE de 21.81%. Este trabajo no solo resuelve eficazmente las limitaciones del método tradicional de ensayo y error, sino que también supera el problema de la baja precisión predictiva de ML en el campo de las PSCs, proporcionando una nueva perspectiva y base científica para el desarrollo rápido de PSCs con alta PCE, además de servir como referencia para otras tecnologías solares emergentes.

Celdas solares de perovskita; aprendizaje automático; análisis SHAP; predicción de eficiencia de conversión de potencia