随着材料基因组计划的提出，传统的“实验试错”模式受到挑战。钙钛矿太阳能电池（PSC）作为最有希望实现商业化的第三代太阳能电池，与人工智能领域中的主流方法——机器学习（ML）相结合对钙钛矿太阳能电池的材料筛选、性能预测以及实验指导等方面的研究表现出巨大潜力。华南理工大学发光材料与器件国家重点实验室薛启帆团队总结分析机器学习结合钙钛矿太阳能电池（ML&PSC）相关研究，尽管仍处于初级发展阶段，但是它们具有巨大的未开发潜力。数据积累和模型优化，是ML&PSC发展的重要方向。当数据积累足够大，模型优化到对数据的依赖足够低时，ML对PSC的研究助力将发生质变。ML将会和如今的AI工具一样，帮助研究者解决PSC领域的各项问题。随着ChatGPT的出现和其快速迭代速度，人工智能（AI）无疑已成为新一轮技术革命的推动力。经过半个多世纪的发展，AI已经成为推动人类进入智能时代的类似工业革命中的蒸汽机。全球产业链也认识到，AI技术将引领新的一波工业转型和发展浪潮。机器学习（ML），在数据的驱动下，将现实生活问题抽象为数学问题，并使用计算机解决，目前是解决许多AI问题的主流方法。钙钛矿太阳能电池（PSCs）由于其高效率、低成本和简单的制造过程，目前是全球研究人员关注的焦点，被认为是最具商业化前景的第三代太阳能电池。2011年，美国提出了材料基因组计划（MGI）。主要思想是利用计算、数据和实验的“三位一体”方法，转变传统的依赖经验和实验的“试错法”的材料研究与开发模式，以提高新材料的发现、开发、生产和应用的质量和速度。在MGI的推动下，具有巨大应用潜力的机器学习与快速发展的钙钛矿太阳能电池（ML&PSC）的结合研究出现了。
图 1.钙钛矿太阳能电池结合机器学习的研究过程包括四个主要部分：数据收集;模型培训;预测目标属性;和实验验证。
数据积累是一个缓慢的过程，在积累数据的同时，优化模型也是非常重要的。在最近的一篇报道中，Li等人应用了迁移学习和深度学习来预测钙钛矿的形成能，他们使用尖晶石来扩展钙钛矿数据，因为它具有与钙钛矿相似的晶格结构。当机器学习从大量尖晶石数据中学习时，只需要相对少量的钙钛矿数据来校正模型，就可以实现更高的预测精度。该工作也为解决小数据问题提供了新的思路。Ziming Chen, Shuang Pan*, Jing Wang*,
Yonggang Min, Yihuang Chen*, Qifan Xue*, (2024). Machine learning will
revolutionize perovskite solar cells. The Innovation 5 (3), 100602.DOI: 10.1016/j.xinn.2024.100602https://doi.org/10.1016/j.xinn.2024.100602学术交流QQ群
知光谷光伏器件学术QQ群：641345719
钙钛矿产教融合交流@知光谷（微信群）：需添加编辑微信
为加强科研合作，我们为海内外科研人员专门开通了钙钛矿科创合作专业科研交流微信群。加微信群方式：添加编辑微信 pvalley2024、pvalley2019，备注：姓名-单位-研究方向（无备注请恕不通过），由编辑审核后邀请入群。
