基于多任务学习的钙钛矿太阳能电池参数鲁棒多输出预测

《Inventions》：Robust Multi-Output Prediction of Perovskite Solar Cell Parameters via Multi-Task Learning

　　

传统面向钙钛矿太阳能电池（Perovskite Solar Cells, PSCs）的机器学习模型独立预测光伏参数，忽略了物理约束条件PCE=V_OC×J_SC×FF/100。这种方法可能导致四个参数预测结果相互矛盾，该失效模式在钙钛矿太阳能电池文献中尚未被量化。本研究提出了一种具有共享主干网络、物理引导特征构建和任务特定预测头的多分支神经网络，并在涵盖12种钙钛矿组成的7176次SCAPS-1D仿真上进行了验证。当与结构匹配的单任务基线模型进行基准比较时，多任务模型通过5折交叉验证优化，对所有四个目标的R²值达到至少0.994，交叉折叠标准差为0.001。特别是，填充因子预测从（单任务）提升至（多任务），交叉折叠标准差降低了233倍。本研究开发的物理一致性度量指标的应用揭示，36.5%的单任务预测超过2个PCE单位的不可信阈值，而多任务模型仅为0.01%。多任务模型在全部20折目标比较中均优于单任务基线，具有大的效应量（Cohen's d –）。这些结果证实多任务学习是实现基于仿真的光伏虚拟筛选中鲁棒、稳定且内部一致预测的有效方法。

**研究背景与问题**

钙钛矿太阳能电池（PSCs）作为下一代光伏技术的重要候选，其功率转换效率（Power Conversion Efficiency, PCE）已超过26%。然而，钙钛矿电池的成分与结构设计空间极为广阔，涵盖多样的阳离子-卤素组合、电荷传输层及器件构型，传统实验方法难以实现系统性探索。机器学习（Machine Learning, ML）因此成为PSC发展的关键工具，可在物理合成与验证之前实现数千种候选架构的计算机筛选。太阳能电池性能由四个参数表征：开路电压（Open-Circuit Voltage, V_OC）、短路电流密度（Short-Circuit Current Density, J_SC）、填充因子（Fill Factor, FF）和PCE，这些参数通过公式PCE=V_OC×J_SC×FF/100相互关联。当前PSC机器学习研究独立预测这些参数，这引发了超越准确性本身的问题：四个看似各自合理的预测可能相互矛盾，例如预测PCE为25%的同时，V_OC、J_SC和FF的乘积仅得18%，构成物理上不可能的配置。更关键的是，此前未有研究提出量化PSC预测中参数间物理一致性的指标，也未曾评估多任务学习是否能改善这一问题。

**研究内容、结论与意义**

研究人员针对上述空白开展了系统性研究。首先，研究人员提出了具有物理引导特征构建的多分支神经网络架构，通过共享主干网络（Shared Backbone）提取各任务共用特征，再配合针对物理复杂度校准的任务特定预测头，实现四个光伏参数的同步预测。该研究在7176次SCAPS-1D仿真数据上验证了模型，涵盖12种钙钛矿组成。研究结论表明：多任务学习将FF预测从灾难性不稳定（R²最低0.321）提升至稳定准确（R²=0.994），交叉折叠标准差降低233倍；新提出的物理一致性度量揭示单任务预测有36.5%物理不可信，而多任务模型仅0.014%；在所有20折目标比较中多任务模型均优于单任务基线；SHAP分析确认模型捕捉了SCAPS-1D仿真输出中的统计相关性。该研究发表于《Inventions》，为光伏虚拟筛选提供了兼顾准确性与物理一致性的可靠框架。

**关键技术方法**

研究使用SCAPS-1D仿真生成的7176组器件配置数据集（来源：Novoselov等人），涵盖12种钙钛矿组成、8种电子传输层（Electron Transport Layer, ETL）类型、11种空穴传输层（Hole Transport Layer, HTL）类型等。输入特征经标准化和独热编码后共29维，包含6个物理引导的工程特征（I/Br比、Cs/FA比、光学深度等）。模型采用硬参数共享架构：256单元和128单元的两层共享主干网络，配合深度针对物理复杂度校准的四个任务特定预测头。损失函数采用加权均方误差（Weighted Mean Squared Error, MSE），FF获双倍权重。训练使用AdamW优化器，采用5折交叉验证，并与结构匹配的单任务神经网络基线及Random Forest、XGBoost、CatBoost等树模型进行比较。统计显著性采用配对t检验、Wilcoxon符号秩检验和Cohen's d效应量评估。

**研究结果**

**特征构建消融研究：** 通过留一法评估物理引导特征的贡献。结果显示R²在所有六种特征配置下保持稳定（各目标变化至多0.001），表明多任务架构而非特定特征集是预测准确性的主要驱动因素。一致性平均绝对误差（Mean Absolute Error, MAE）则呈现有意义的区分：完整29维特征集的一致性MAE为0.254，较原始23维配置的0.277改善8.3%。出乎意料的是，排除体积复合特征（Pero_th × (MA + FA)）反而将一致性MAE降至0.238，提示物理动机特征虽编码真实物理相互作用，可能与共享主干网络已捕获的信息存在冗余。

**损失加敏感性分析：** 六种权重配置下R²变化至多0.001，确认预测准确性对损失权重选择稳健。然而一致性MAE揭示了R²未能捕获的权衡：均匀权重（1,1,1,1）获得最低一致性MAE（0.222），而增加FF权重逐步恶化该指标（FF×2时为0.254，FF×3为0.274，FF×5为0.291）。最终选择的配置（1,1,2,1）在FF R²（0.995）和一致性（0.254）间取得平衡。

**交叉验证预测准确性：** 最显著的结果体现在FF预测改善。单任务FF的R²在0.321（第3折）至0.907（第2折）间剧烈波动，标准差达0.254；多任务学习则将其稳定于R²=0.994，标准差降低233倍。单任务模型中V_OC、J_SC、PCE同样存在折叠依赖性性能下降，仅FF出现灾难性崩溃。多任务模型在每个折叠的每个目标上均优于单任务模型，实现20/20全胜。

**物理一致性分析：** 多任务模型的一致性MAE范围为0.232–0.303，而单任务为1.279–2.424。阈值分析显示：单任务预测有36.5%（2616/7176）超过2 PCE单位的不可信阈值，多任务模型仅0.014%（1/7176）。该失效模式在单任务预测中未被R²捕获，此前在PSC-ML文献中未被识别。

**基线模型比较：** 多分支神经网络（Multi-Head Neural Network, MH-NN）在所有目标上取得最高R²（≥0.994）和最低交叉折叠变异性。CatBoost是最强树模型（FF R²=0.962），其一致性MAE（0.263）接近MH-NN（0.254），但在平滑仿真流形上高个体准确性本身足以保证一致性，二者的区分需在噪声实验数据中显现。

**统计显著性：** 所有配对t检验在α<0.05水平显著，p值从<0.001（PCE）至0.041（FF）不等。Wilcoxon检验受n=5限制最小p值为0.0625，故强调效应量（Cohen's d范围1.33–8.93）和20/20折叠优势准则。

**子群分析：** 按组成分析显示48个组成-目标比较中29个正增益、18个负增益、1个零增益，平均绝对ΔR²为0.006，支持多任务优势源于折叠级稳定化而非组成特异性学习。按ETL分析显示平均绝对ΔR²为0.002，两者均确认交叉任务梯度共享的调节机制。

**特征重要性与可解释性：** 置换重要性分析揭示I/Br比主导V_OC预测（重要性0.631），FA分数主导J_SC（0.557）和PCE（0.523），ETL类别对J_SC、FF和PCE关键。SHAP分析确认卤素介导的V_OC–J_SC权衡（I/Br符号相反）、厚度-Beer-Lambert吸收增强关系，以及ETL主导的FF和PCE控制。SHAP依赖图揭示饱和效应和交互驱动的分层等非线性关系。

**超参数敏感性：** 主干宽度从64²扩展至1024²时，小于256²出现可测量退化，之上平台期；主干深度1–4层R²变化至多0.001；dropout率在0.2–0.3最优，禁用则性能最差；批量大小64–128最优。FF始终是最敏感目标。

**讨论部分总结**

多任务学习稳定预测的机制可归于交叉任务梯度正则化。单任务FF模型仅从FF预测误差接收梯度，当数据分区欠表示控制填充因子的特征交互时，缺乏校正信号导致过拟合或欠拟合，引发第3折和第4折的灾难性R²崩溃（0.321和0.332）。多任务主干网络同时从V_OC、J_SC和PCE接收梯度信息——这些参数与FF共享物理起源，作为隐式正则器稳定学习表征。证据包括：方差减小在物理最复杂目标（FF）最显著；交叉折叠标准差减小远超平均R²改善，表明主要收益是稳定性而非准确性上限提升；子群分析最小化支持折叠级正则化解释；单任务一致性恶化与FF崩溃折叠精确对应。

CatBoost在无共享表示下实现相当一致性（MAE 0.263 vs. 0.254）的现象被重新审视：在平滑确定性仿真流形上，个体预测准确（R²≈0.99）时算术上自动维持一致性。但MH-NN在实际应用中有三点优势：FF R²领先0.032，在噪声实验数据中差距预计扩大；神经网络的可微性、特征空间可扩展性及与物理约束损失函数的集成能力。数据集规模实验显示CatBoost在N≤10³时占优，MH-NN在N≥3×10³时反超，一致性交点出现于完整数据量。

后处理代数修正基线——以V_OC×J_SC×FF/100替代预测PCE——虽消除一致性误差，但PCE R²平均降至0.875，最差折叠（FF R²=0.350时）降至0.712，而多任务模型保持0.994。这证明一致性与准确性不可互换：后处理可强制代数一致，无法补偿三个独立不稳定预测器复合误差。

超参数敏感性确认结果非脆弱调参产物；损失权重消融揭示R²稳定性与一致性敏感性的分离，提示一致性MAE是高准确域更具区分力的指标。Kendall等方差不确定框架验证手动权重选择接近最优，学习权重自动识别FF最高不确定性。

噪声注入鲁棒性研究采用乘法高斯噪声（δ=2.5%~10%），多任务模型单调优雅退化（FF R²: 0.994→0.958），单任务更快更不稳定（0.754→0.179）。δ=10%时多任务一致性（MAE=1.157）优于单任务清洁数据（1.871），证明优势非噪声自由仿真产物。

研究局限性包括：SCAPS-1D为一维漂移扩散求解器，无法捕获晶界钝化、空间非均匀性或界面粗糙度；无离子迁移和J–V迟滞模拟；材料参数固定可能未覆盖全部实验变性；数据集限于12种组成和主要为n-i-p架构；留一组成外实验证模型为插值设计而非外推。固定损失权重、无不确定性量化、物理一致性为涌现而非强制等亦被指出。

**研究结论**

基于7176次SCAPS-1D仿真器件配置（涵盖12种组成）验证的多分支神经网络用于V_OC、J_SC、FF和PCE同步预测，得出四项主要发现：第一，多任务学习将FF预测从灾难性不稳定（单任务R²）拯救至稳定准确（R²=0.994），交叉折叠标准差降低233倍，且在所有20折目标比较中优于单任务基线。第二，本工作引入的物理一致性度量揭示36.5%单任务预测物理不可信（超过2 PCE单位失配阈值），而多任务模型仅0.014%，该失效模式无法通过单目标R²检测；此度量适用于任何由已知物理方程关联的多输出预测任务。第三，MH-NN在所有评估模型中R²最高（每目标≥0.994），单次前向传播输出四个预测；CatBoost在此平滑仿真流形上实现相当一致性（0.263 vs. 0.254），确认高个体准确性在清洁数据上足以保证一致性，并激励个体准确性较不可靠的实验验证。第四，SHAP分析和置换重要性确认模型捕获SCAPS-1D仿真输出中的统计相关性，包括卤素介导的带隙控制、Beer-Lambert吸收关系及ETL主导的效率决定。补充实验进一步巩固结论：后处理代数修正基线证明强制一致性以牺牲PCE准确性为代价；噪声注入实验确认多任务优势在真实实验不确定性下持续存在；数据集规模实验揭示MH-NN与CatBoost的优势数据区间分界；Kendall学习权重框架验证手动权重选择的合理性。未来研究方向包括向实验PSC数据集迁移微调、将PCE方程嵌入为物理约束辅助损失、整合保形预测或深度集成的不确定性量化，以及通过线性探针探测潜在空间与已知物理量的相关性。