机器学习驱动RbTmCl3基钙钛矿太阳能电池性能优化：迈向28.21%转换效率的新范式

这篇研究通过结合机器学习（ML）与SCAPS-1D模拟器，系统优化了RbTmCl3基钙钛矿太阳能电池（PSCs）的光伏性能。人工神经网络（ANN）模型以R2=0.86的精度预测关键参数，最终设计出WS2/RbTmCl3/CBTS三明治结构，实现28.21%的功率转换效率（PCE），为无铅钙钛矿的产业化提供了理论支撑。

　　

Highlight

本研究通过机器学习（ML）与SCAPS-1D模拟的协同作用，开创性地优化了RbTmCl₃基钙钛矿太阳能电池（PSCs）的性能。

Device settings and simulation process

我们的太阳能电池设计包含三大核心组件：电子传输层（ETL）、钙钛矿吸光层（p型掺杂）和空穴传输层（HTL）。当光线照射钙钛矿层时，会生成具有特定能级的激子（电子-空穴对）。得益于钙钛矿卓越的光吸收能力和激子的长扩散长度，这些载流子能够高效分离并迁移至对应电极。

Effect of different (ETL) and (HTL)

图3雷达图揭示了WS₂-RbTmCl₃-CBTS结构中不同传输层的性能差异。在ETL对比中，WS₂展现出统治级表现：功率转换效率（PCE）达20.04%，填充因子（FF）84.3%，短路电流密度（J_sc）21.387 mA/cm2，开路电压（V_OC）1.113 V。这些数据充分证明了WS₂作为电子传输层的优越性。

Conclusion

本研究通过机器学习模型与SCAPS-1D模拟的深度融合，系统解析了RbTmCl₃基PSCs的性能优化路径。基于ANN模型筛选出的最佳器件结构（100 nm WS₂ ETL/800 nm RbTmCl₃/500 nm CBTS HTL）实现了28.21%的PCE，为新型无铅钙钛矿的产业化应用奠定了算法与理论双重基础。