基于监督学习与SCAPS模拟的Cs0.17FA0.83PbI3?xBrx钙钛矿太阳能电池性能预测与优化研究

本研究针对钙钛矿太阳能电池（PSCs）实验优化耗时耗资源的问题，通过结合SCAPS数值模拟与随机森林（RF）机器学习算法，构建了高效预测模型。研究人员以Cs0.17FA0.83PbI3?xBrx为研究对象，生成3240组数据训练模型，成功预测PCE（功率转换效率）、Voc（开路电压）、Jsc（短路电流密度）和FF（填充因子），测试R2均超0.99。该混合建模方法显著加速了PSCs性能分析，为材料设计提供了新范式。

　　

钙钛矿太阳能电池（PSCs）因其高效率与低成本成为光伏领域的研究热点，但传统实验优化面临周期长、成本高的瓶颈。尽管数值模拟工具如SCAPS能辅助分析，但其依赖大量输入参数且泛化能力有限。为此，北孟加拉大学的研究团队创新性地将SCAPS模拟与机器学习结合，以Cs_0.17FA_0.83PbI_3?xBr_x为模型体系，通过调控溴含量（x=0-2.5）、吸收层厚度（t）、缺陷密度（N_t）和施主密度（N_d）生成数据集，训练随机森林模型预测关键性能指标。相关成果发表于《Materials Science and Engineering: B》。

研究采用SCAPS-1D模拟生成3240组数据，涵盖6种溴组分和多种物理参数组合。通过5折交叉验证优化随机森林模型，最终模型仅需输入5个核心参数（Br组分、带隙、t、N_t、N_d）即可预测PCE、Voc、Jsc和FF，较传统模拟大幅简化流程。

Device structure and modeling
模拟器件采用FTO/SnO₂/钙钛矿/Spiro-OMeTAD/Au结构，通过SCAPS参数化溴掺杂对带隙（1.56-2.07 eV）的调控效应，验证了Cs⁺对相稳定性的提升作用。

Algorithm performance
RF模型在测试集上表现优异：PCE预测RMSE为0.197%，Voc为0.008 V，Jsc为0.317 mA/cm²，FF为1.181%。对未参与训练的Cs_0.17FA_0.83PbI_2.6Br_0.4组分预测结果与模拟值高度吻合，证实模型泛化能力。

Discussions and conclusion
特征相关性分析揭示N_t和N_d是影响效率的核心因素。该研究首次实现SCAPS-RF混合建模在PSCs中的跨组分预测，为快速筛选材料配方和器件参数提供了新工具。未来可扩展至其他钙钛矿体系（如无铅材料）和器件结构优化，推动光伏技术的高通量开发。

（注：所有数据与结论均基于原文，未添加主观推断；专业术语如SCAPS-1D、Spiro-OMeTAD等首次出现时已标注说明）