使用机器学习（ML）预测功率转换效率（PCE）可以有效加速钙钛矿太阳能电池（PSCs）实验过程。本研究，深圳工业大学胡汉林、中国科学院刘家琪和哈尔滨工业大学深圳林熹等人建立了一个包含2079个实验钙钛矿太阳能电池的高质量数据集，通过准确的机器学习模型预测PCE值，取得了令人印象深刻的决定系数（R²）值为0.76。在12个钙钛矿太阳能电池验证实验中，观察到的PCE值与预测值之间的平均绝对误差仅为1.6%。通过利用机器学习模型推荐的改进方案，实验中的钙钛矿太阳能电池PCE成功提高至25.01%，从而真正实现了机器学习指导实验的目标。此外，通过提高特定器件的PCE，预测值可达到28.19%。该机器学习模型为实验上提高钙钛矿太阳能电池的PCE提供了可行的策略，对实现PCE突破具有重要作用。A. Yang, Y. Sun, J. Zhang, F. Wang, C. Zhong, C. Yang, H. Hu, J. Liu, X. Lin, Enhancing Power Conversion Efficiency of Perovskite Solar Cells Through Machine Learning Guided Experimental Strategies. Adv. Funct. Mater. 2024, 2410419.
https://doi.org/10.1002/adfm.202410419
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。
