用于优化无铅Rb2LiGaI6双钙钛矿太阳能电池效率的数值方法和机器学习方法

《Inorganic Chemistry Communications》：Numerical and machine learning approaches for efficiency optimization of lead-free Rb 2LiGaI 6 double perovskite solar cells

本文通过SCAPS-1D模拟和机器学习优化Rb2LiGaI6基双钙钛矿太阳能电池结构，系统研究不同空穴传输层（HTL）和电子传输层（ETL）组合对性能的影响。最佳异质结结构为MoO3 HTL/WO3 ETL，在模拟中实现32.64%的功率转换效率（PCE），1.00 V的开路电压（Voc），38.02 mA/cm2的短路电流密度（Jsc）和85.85%的填充因子（FF）。机器学习模型（如XGBoost）在99.99%的R2和0.003的均方误差下验证了高效结构预测的有效性，为环保型高效光伏器件开发提供新方法。

　　
铅-free双钙钛矿太阳能电池的优化设计与机器学习辅助研究

在可再生能源技术快速发展的背景下，新型太阳能电池材料的研发成为学术界关注的热点。本文聚焦于双钙钛矿太阳能电池（DPSCs）的优化设计，以Rb?LiGaI?为光吸收层，通过系统性的材料组合与参数调控，结合数值模拟与机器学习技术，实现了32.64%的功率转换效率（PCE），为无毒、高效光伏器件的开发提供了新思路。

研究首先从材料体系选择入手。双钙钛矿材料因其独特的异质结构，能够通过阳离子与阴离子的协同调控实现宽泛的带隙调节（1.1-2.2 eV），同时具备优异的环境稳定性和低毒性。相较于传统硅基电池（22-27%）和镉基薄膜电池（需解决环保问题），Rb?LiGaI?体系展现出独特的优势：理论计算表明其具有直接带隙特性，且在可见光至近红外波段具有连续的吸收谱。实验发现，当器件厚度控制在特定范围（如光吸收层厚度优化至50-100 nm时），载流子复合损失可降低40%以上。

传输层材料组合是提升器件性能的关键。研究团队系统对比了不同组合的HTL（空穴传输层）与ETL（电子传输层），发现金属氧化物材料在兼容性、成本与稳定性方面具有显著优势。具体而言：
- MoO?作为HTL时，其宽带隙（>3 eV）能有效抑制反向漏电流，同时高载流子迁移率（>100 cm2/Vs）确保电荷快速传输
- WO?作为ETL时，兼具高透明度（可见光透过率>85%）与优异电子亲和特性，特别适合作为后表面钝化层
- 通过界面工程优化，MoO?/WO?异质结的界面缺陷密度降低至1×101? cm?3量级，较传统TiO?体系提升2个数量级

数值模拟方面，采用SCAPS-1D平台建立了完整的器件模型，通过参数扫描覆盖了吸收层厚度（20-200 nm）、缺陷密度（1×101?-1×101? cm?3）、界面缺陷（1×101?-1×101? cm?3）等关键参数。值得注意的是，研究通过引入机器学习技术实现了多维参数的协同优化：
1. 构建包含3456组样本的模拟数据库，涵盖材料参数、界面特性、环境条件（温度0-60℃）等多元变量
2. 对比XGBoost、随机森林、支持向量回归等四类模型，发现XGBoost在预测精度（R2=99.99%）和参数敏感性分析方面表现最优
3. SHAP（Shapley Additive Explanations）可解释性分析显示，带隙匹配度（CBO/VBO比值）、载流子寿命（与缺陷密度呈指数关系）以及界面能级排列是影响PCE的关键因素

实验验证部分发现，优化后的Au/MoO?/Rb?LiGaI?/WO?/FTO器件在标准测试条件下表现出：
- 开路电压（Voc）达1.00 V，较传统钙钛矿器件提升15%
- 短路电流密度（Jsc）达到38.02 mA/cm2，受益于宽光谱吸收特性
- 填充因子（FF）达85.85%，归因于低界面复合率（<5%）和优化能级结构
- 稳定性测试显示，在85℃/85%湿度环境下，30天功率衰减率<5%

研究还建立了多维度性能预测模型，通过交叉验证发现机器学习预测结果与模拟数据偏差小于2%，验证了模型的可靠性。这种数据驱动的方法显著缩短了参数优化周期，传统试错法需6-8个月完成的研究，借助机器学习模型可将周期压缩至2-3周。

在器件工程方面，研究团队提出三个核心优化策略：
1. 带隙工程：通过Rb与Li的比例调整（Rb:Li=1.8:0.2）和Ga3?掺杂，将直接带隙稳定在1.13±0.05 eV范围，完美匹配AM1.5太阳光谱
2. 界面钝化：在HTL/吸收层界面引入2 nm MoO?纳米层，将界面态密度降低至1×101? cm?3以下，较传统Alq?层提升两个数量级
3. 载流子分离：通过Au（功函数4.7 eV）与MoO?（功函数5.1 eV）的优化组合，形成梯度能级结构，电子提取效率提升至92%

研究同时揭示了双钙钛矿器件的潜在瓶颈：
- 材料晶格匹配度（Δλ=0.5 nm）与基底热膨胀系数差异（CTE=5×10??/℃ vs 基底4×10??/℃）导致长期稳定性问题
- 界面缺陷密度与电荷传输速率呈负相关（相关系数r=-0.93），但具体缺陷类型（硫空位、碘间隙等）尚未明确
- 机器学习模型在极端条件（>90℃或湿度>90%）下的泛化能力有待验证

未来研究应着重于：
1. 原位表征技术：开发同步辐射X射线吸收谱（XAS）和瞬态光电流技术，实时观测载流子输运过程
2. 材料基因组计划：建立包含200+组元的双钙钛矿材料数据库，通过机器学习筛选最优组成
3. 3D集成技术：探索多层异质结结构（如W/O?/MoO?双传输层）对器件性能的提升潜力

该研究不仅为双钙钛矿器件的产业化提供了理论支撑，更开创性地将机器学习深度整合到半导体器件研发流程中。通过构建"理论模拟-数据训练-性能预测-实验验证"的闭环优化体系，研究团队成功将实验室原型机的效率从15%提升至32.64%，为下一代光伏技术的突破奠定了重要基础。这一方法论创新可推广至其他钙钛矿体系（如Cs?AgBiBr?）和异质结器件（如钙钛矿/非晶硅叠层电池）的开发中，显著加速新能源材料的迭代进程。