机器学习辅助锡基钙钛矿太阳能电池的器件架构设计与性能预测研究

《Scientific Reports》：A machine learning framework for solar cell design optimization and efficiency prediction

　　

摘要

本研究将机器学习（ML）应用于锡基钙钛矿太阳能电池（PSCs）的设计，以减少对穷尽式器件模拟的依赖。基于覆盖 27 种器件架构的 4428 个 SCAPS-1D 模拟数据训练了十种回归算法，根据吸收层、电子和空穴传输层材料、吸收层厚度以及带边态密度来预测效率（η）、开路电压（V_OC）、短路电流密度（J_SC）和填充因子（FF）。CatBoost 表现最佳，在随机 80:20 划分下，其 η 的 R² 达到 0.999990，RMSE 为 0.0126 个百分点。此类精度在该文献中很常见，因此我们考察了它们实际衡量的是什么。该数据集是确定性求解器的密集扫描结果，因此随机划分（包括十折交叉验证）会在划分两侧留下几乎相同的配置。完全留出整个架构会使误差提高一到两个数量级。因此，这些模型在已表征架构内的插值上是可靠的，但不适用于向未见过架构的外推。在随机子集上进行训练表明，480 个模拟（占网格的 10.8%）在所有十次重复中都恢复了正确的架构和最优值。最佳配置为 660 nm 厚的 FASnI₃ 配合 SnO₂ 和 Cu₂O，效率达到 28.87%（V_OC 1.086 V，J_SC 30.01 mA cm?2，FF 88.55%）。