主要內(nèi)容

試錯法對于找到限制鈣鈦礦太陽能電池效率的因素具有實用性，但這種方法較為復雜。除此之外還有另一種選擇，即機器學習與漂移擴散模擬相結合。

在這篇文章中，研究團隊開發(fā)了一種機器學習模型，提出機器學習(ML)方法可以僅基于照明下的電流密度-電壓(J-V)曲線來預測限制太陽能電池性能的參數(shù)。用于訓練模型的數(shù)據(jù)(11 ' 150 J-V曲線)是基于器件仿真的，其中電荷傳輸和復合相關的20種不同物理參數(shù)分別變化。這種方法可以覆蓋在不同的制造條件或設備退化期間可能發(fā)生的各種影響。使用ML時，模擬的J-V曲線將針對準確度高于80%的更改參數(shù)進行分類。

結果表明，短路電流密度、開路電壓、最大功率轉(zhuǎn)換效率和填充因子等關鍵參數(shù)可以對設備結構變化進行準確的預測。為了顯示實際相關性，將ML算法應用于報告的設備，并從物理角度討論結果。事實證明，只要滿足特定條件，就能得到滿意的結果。所提出的工作流程可用于更好地了解設備的行為，例如在退化過程作為指導方針提高其性能，而無需昂貴且耗時的基于實驗室的試錯方法。

研究過程中使用巨力光電代理的Setfos進行模擬仿真

Identifying Performance Limiting Parameters in Perovskite Solar Cells Using Machine Learning

Oliver Zbinden, Evelyne Knapp, Wolfgang Tress*