通过机器学习预测钙钛矿太阳能电池的器件性能

金属卤化物钙钛矿太阳能电池(PSC)在过去十年中得到了迅速发展。为了获得高性能的PSC，必须优化钙钛矿薄膜的制造工艺和成分。已经进行了大量工作来确定钙钛矿薄膜的制造工艺和成分对器件性能的影响。

然而，由于这些因素构成的巨大变量空间，阐明它们的相关性一直具有挑战性。探索这些关系对于预测设备性能以实现有效的设备优化无疑是至关重要的。然而，由于这些因素的复杂性，迄今为止不可能仅通过实验来开展这项工作。

最近，北京交通大学的郑旭教授和宋丹丹副教授采用机器学习(ML)的方法，通过学习现有的实验结果来探索这些相关性，从而能够从这些因素中预测设备性能。

通过沙普利加法解释(SHAP)分析分析了这些因素对器件性能的影响。此外，为了提高ML模型的可解释性，作者以A位阳离子为例，通过密度泛函理论(DFT)计算和实验来解释和验证预测结果。这项工作彻底阐明了ML如何指导设备优化，从而也可以作为反向设计实验以获得高性能PSC的指南。