Las células solares de perovskita (Perovskite solar cells, PSCs) ocupan un lugar importante en la tecnología de nuevas células solares debido a su alto rendimiento. Debido a las limitaciones del método tradicional de prueba y error, que tiene ciclos de investigación largos y baja eficiencia en la mejora de la eficiencia de conversión de potencia (Power conversion efficiency, PCE) de las PSCs, se propuso un método inteligente de optimización basado en el aprendizaje automático (Machine learning, ML) para el proceso de fabricación de PSCs. Aplicando varios algoritmos de ML para construir un modelo predictivo de PCE, se eligió un modelo de aumento de gradiente (Gradient boosting, GB) con excelente rendimiento para realizar un análisis de explicaciones aditivas de Shapley (Shapley additive explanations, SHAP) visual y una validación experimental. Los resultados experimentales demostraron que los experimentos guiados por la salida del modelo hicieron que la PCE de las PSCs alcanzara el 21,81%. Este trabajo no solo resolvió eficazmente las limitaciones del método tradicional de prueba y error, sino que también superó el problema de baja precisión predictiva del ML en el campo de las PSCs, proporcionando una nueva perspectiva y base científica para el desarrollo rápido de PSCs de alta PCE, así como una referencia para el desarrollo de otras tecnologías solares nuevas.

Células solares de perovskita;Aprendizaje automático;Análisis SHAP;Predicción de eficiencia de conversión de potencia