建筑能耗和CO₂排放在全球能源体系中占据重要比例，建筑集成光伏因此成为低碳转型的重要方向。半透明有机光伏既能透过可见光用于采光，又能吸收近红外光发电，兼具柔性、轻质和美观等优势，适合太阳能窗和建筑立面应用。
但ST-OPVs长期受制于PCE与AVT之间的权衡。器件既要保持足够透明度，又要高效收集光子并产生电流，涉及材料折射率、层厚、光场分布和界面非理想性等多变量耦合，传统实验试错和纯TMM模拟都难以高效完成全局优化。
纯数据驱动深度学习虽然具备处理复杂模式的能力，却严重依赖大规模高质量实验数据。该工作将光学物理规律、模拟数据和实验数据整合到统一框架中，使模型在数据有限条件下仍能获得更可靠的预测与设计能力。
近日，上海大学冷拓、徐韬、法国上法兰西综合理工大学Bruno Grandidier在Advanced Materials发表了题为"Physics-Enhanced Deep Learning Optimized Semitransparent Organic Photovoltaics for Building-Integrated Sustainable Energy"的研究论文，Baozhong Deng 、Xiaokai Zhang 为论文第一作者，冷拓、徐韬、Bruno Grandidier为论文通讯作者。
核心亮点
1. 提出PhyOptiNet物理增强深度学习框架，将波长依赖的复折射率n、k等光学先验嵌入神经网络，缓解实验数据稀缺问题。
2. 通过大规模TMM模拟预训练与有限实验数据微调，显著提升ST-OPVs中JSC、AVT和LUE预测准确性。
3. 采用TCBB卤素添加剂优化不透明OPVs，使器件PCE超过20%，为高性能半透明器件提供材料基础。
4. PDL指导的HfO₂/TiO₂双层光耦合层突破效率-透明度权衡，使ST-OPVs达到14.97% PCE、40.70% AVT和6.09% LUE。
5. 多尺度建筑能源建模显示，该类ST-OPVs若在中国大陆建筑中大规模部署，理论上可贡献相当可观的能源供给潜力。
📄 全文速览
全球能源挑战使建筑集成光伏成为脱碳的重要前沿，其中半透明有机光伏能够同时实现发电与日光透过，是一类很有前景的技术。然而，其广泛应用受到效率与透明度之间基本权衡的限制，而这种权衡由复杂的光子管理过程决定。
该研究提出一种物理增强深度学习框架，将光学物理先验嵌入神经网络，显著降低对大量实验数据的依赖，并使预测精度超越传统模拟和纯数据驱动方法。在一种新的卤素添加剂工程策略基础上，不透明器件的功率转换效率超过20%；
当扩展到大面积制造模块时，多尺度建筑能源建模表明，此类半透明有机光伏若在全国范围部署，最高可满足中国总能源需求的五分之一，凸显其推动可持续能源体系和全球碳中和目标的变革潜力。
📊 图文解读
图1 | PhyOptiNet框架通过物理先验嵌入和多阶段学习提升材料表征、训练效率与器件性能预测能力
图1展示了PhyOptiNet的核心架构：先将材料的波长依赖复折射率n、k编码为物理约束，再结合TMM模拟预训练和实验数据微调。结果显示，物理先验使材料嵌入按HTL、BHJ、ETL、金属和介电层清晰聚类，并加快训练收敛、降低验证误差；Ag的n、k预测与真实值高度一致，AVT和JSC预测也贴近实验测量。
图2 | PDL指导双层光耦合层设计，在ST-OPVs中实现更优JSC-AVT平衡和光子利用
图2比较了HT、实验数据模型、模拟数据模型和PDL模型对ST-OPVs光学设计的预测表现。纯实验模型因数据稀缺而分散，纯模拟模型基本受限于HT结果；PDL则发现更高性能的设计空间，预测LUE较HT设计相对提升约10%。
HfO₂(114 nm)/TiO₂(36 nm)光耦合层增强活性层激子产生，并同时改善可见光透过和近红外EQE。
图3 | TCBB添加剂优化不透明OPVs形貌与电荷动力学，使器件效率突破20%
图3围绕TCBB添加剂对不透明OPVs的作用展开。TCBB调控BHJ形貌后，器件J–V曲线、EQE和PCE分布均得到改善；光强依赖JSC、VOC表明双分子复合和陷阱辅助复合被抑制。
fs-TA结果显示，TCBB薄膜中给体GSB上升更快、受体LE态衰减更快，说明空穴转移和电荷分离更高效，从而支撑20.36%的PCE。
图4 | PDL优化ST-OPVs结合抗反射结构，实现6.09% LUE并完成100 cm²模块验证
图4展示PDL指导OCL与激光诱导分级抗反射涂层结合后的高性能ST-OPVs。与对照和HT指导器件相比，PDL-ST器件在保持40.70% AVT的同时获得14.97% PCE和6.09% LUE，显著突破效率-透明度权衡。
100 cm²模块的J–V曲线和实物照片进一步说明该光学结构可向大面积器件转移，具备建筑集成应用基础。
图5 | 多尺度建筑能源模型评估ST-OPVs在单体建筑、省域和全国尺度的BIPV发电潜力
图5将实验室器件性能延伸到建筑能源场景。研究人员先建立单体建筑BIPV能量模型，并以上海大学图书馆为案例预测ST-OPV发电量；随后利用深度学习分割模型从高分辨率卫星图像中提取建筑面积，并通过分层抽样扩展到全国尺度。结果给出中国大陆各省建筑覆盖面积、年发电潜力和自给率分布。
📝 总结
该研究证明，将光学物理先验与深度学习结合能够有效跨越纯模拟和纯数据驱动方法的局限，为半透明有机光伏的多目标光学优化提供高效路径。
通过TCBB添加剂提升不透明OPVs基础性能，并利用PDL优化光耦合层与抗反射结构，ST-OPVs实现了6.09%的纪录光利用效率。
进一步的大面积模块验证和多尺度建筑能源评估表明，该技术有望作为发电透明立面服务于建筑集成光伏，为可持续建筑和碳中和能源体系提供重要支撑。
Physics-Enhanced Deep Learning Optimized Semitransparent Organic Photovoltaics for Building-Integrated Sustainable Energy,Advanced Materials,2026,DOI:10.1002/adma.73762
#上海大学#冷拓#徐韬#法国上法兰西综合理工大学#AM#光伏电池
