集成SCAPS-1D建模与ML方法用于无铅Ca?AsI? PSCs性能增强

《Next Materials》：Integrated SCAPS-1D modeling and ML approaches for performance enhancement of lead-free Ca?AsI? PSCs

　　

钙钛矿太阳能电池（PSCs）已成为有前景的下一代光伏技术，因其卓越的功率转换效率和低制造成本。然而，与铅基钙钛矿相关的毒性和环境问题加速了对可持续无铅替代品的寻找。本研究中，研究人员利用SCAPS-1D模拟对无铅Ca?AsI?基钙钛矿太阳能电池（PSC）进行了数值和机器学习（ML）研究。器件结构配置为FTO/C??/Ca?AsI?/CuO/Pt，通过调整关键设计变量包括吸收层厚度、受主和缺陷密度、带隙以及载流子浓度进行优化。在优化条件下，器件实现了27.11%的功率转换效率（PCE），开路电压（V_OC）为1.18 V，短路电流密度（J_SC）为26.03 mA cm?2，填充因子（FF）为88.27%。在评估的十种机器学习模型中，梯度提升回归器（GBR）表现出最高的预测精度，验证R2得分为99.89%，均方根误差（RMSE）为0.1122。五折交叉验证证实了模型的鲁棒性和泛化能力。此外，SHAP特征重要性和皮尔逊相关分析揭示，吸收层带隙、缺陷密度和载流子浓度是控制器件性能的最有影响力的参数。本研究结果有助于更好地理解材料和器件参数对无铅Ca?AsI?基钙钛矿太阳能电池光伏性能的影响，从而促进其在可持续能源应用中的设计和优化。

全球能源需求增长与化石燃料依赖导致环境问题，太阳能作为清洁能源备受关注。硅基光伏电池成本高、效率提升受限，而钙钛矿太阳能电池（PSCs）具有高效率和低成本潜力，但传统铅基钙钛矿存在毒性和稳定性问题，阻碍其商业化。无铅钙钛矿材料如Ca?AsI?（一种A₃BX₃型无机钙钛矿）具备合适带隙（约1.577 eV）、强光吸收系数（>10⁵ cm?1）和良好载流子传输特性，是潜在替代材料。然而，实验验证不足，器件级优化依赖手动参数扫描，计算成本高且难以探索多维参数空间。为此，研究人员提出集成SCAPS-1D建模与机器学习（ML）的框架，系统优化无铅Ca?AsI?基钙钛矿太阳能电池（PSC）性能。研究建立了FTO/C₆₀/Ca₃AsI₃/CuO/Pt器件结构，通过SCAPS-1D模拟生成4096组数据集，训练十种ML回归模型，其中梯度提升回归器（GBR）预测精度最高，优化后器件获得27.11%的功率转换效率（PCE）。该工作为高效无铅PSC的设计与优化提供了数据驱动方法，论文发表在《Next Materials》。

研究人员使用的主要关键技术方法包括：SCAPS-1D数值模拟（求解泊松方程与载流子连续性方程，模拟器件物理行为）；全因子参数扫描（变化6个关键参数，各取4个水平，生成4096种配置）；十种机器学习回归算法（包括ANN、SVR、KNN、LR、DT、RF、GBR、AdaBoost、XGBoost、LightGBM）用于预测光伏参数；五折交叉验证评估模型泛化能力；SHAP特征重要性分析与Pearson相关分析揭示参数影响。所有数据均来自SCAPS-1D仿真，无实验样本队列。

研究结果分为以下部分：

**Impact of layer thickness variation on device performance**：通过等高线图分析吸收层与HTL厚度以及FTO与ETL厚度对光伏参数的影响。结果表明，最佳厚度组合为FTO 0.2 μm、C₆₀（电子传输层，ETL）0.03 μm、Ca₃AsI₃（吸收层）1 μm、CuO（空穴传输层，HTL）0.2 μm，优化后器件获得最高PCE为27.11%，对应V_OC 1.18 V、J_SC 26.03 mA cm?2、FF 88.27%。

**Influence of absorber parameters on device behavior**：通过变化吸收层厚度（0.2–2.0 μm）、受主密度（10¹⁵–10¹⁹ cm?3）和缺陷密度（10¹²–10¹⁶ cm?3），发现PCE随厚度增加在1 μm后趋于饱和，最佳受主密度为10¹⁷ cm?3（平衡内建电场与复合），最佳缺陷密度为10¹⁴ cm?3（避免缺陷辅助复合）。

**Impact of doping in charge transport layers**：通过变化HTL（CuO）受主密度（10¹⁷–10²¹ cm?3）、ETL（C₆₀）施主密度（10¹⁵–10¹⁹ cm?3）和FTO施主密度（2×10¹⁶–2×10²⁰ cm?3），优化值分别为10¹⁹、10¹⁷ 和2×10¹⁸ cm?3，这些条件增强载流子提取并降低复合。

**Effects of temperature, shunt and series resistance**：通过分析串联电阻（R_s，0–5 Ω·cm2）、并联电阻（R_sh，102–10? Ω·cm2）和工作温度（300–400 K），发现低R_s（接近0）、高R_sh（≥103 Ω·cm2）和较低温度（300 K）有利于光伏性能，温度升高导致V_OC显著下降。

**Analysis of generation and recombination mechanisms in the device**：通过生成率和复合率空间分布图，显示吸收层内生成率高达~10²² cm?3s?1，是主要载流子生成区域；复合率在吸收层/HTL界面达到峰值（~10²¹ cm?3s?1），表明界面缺陷导致复合，但整体复合较低。

**Performance evaluation of the optimized device**：通过模拟平衡能带图、Nyquist阻抗图、电容-电压（C-V）和Mott-Schottky（1/C2-V）分析、电流密度-电压（J-V）曲线和量子效率（QE）分析，验证了优化器件良好的能带对齐、高复合电阻、适当掺杂浓度和接近100%的QE（380–720 nm），支撑高效载流子分离与提取。

**Machine learning model performance evaluation**：基于R2和RMSE指标对比十种ML模型，梯度提升回归器（GBR）表现最佳，训练R2 99.93%、测试R2 99.89%、RMSE分别为0.0927和0.1122。五折交叉验证进一步确认其鲁棒性。实际vs预测图显示数据紧密贴合理想线，SHAP分析表明吸收层带隙、缺陷密度和载流子浓度是最关键参数，误差分布近似正态（均值接近零），相关热图揭示了参数间关系（如吸收层带隙与PCE强负相关，ρ=-0.78）。

**Comparison analysis**：与文献中16种Ca₃AsI₃基器件结构对比，本研究提出FTO/C₆₀/Ca₃AsI₃/CuO/Pt器件获得PCE 27.11%，参数（V_OC、J_SC、FF）平衡，具有竞争力。

总结讨论部分：研究人员通过SCAPS-1D模拟与机器学习集成，实现了对Ca₃AsI₃基PSC的系统优化，GBR模型准确预测光伏参数，SHAP分析明确了关键参数（吸收层带隙、缺陷密度、载流子浓度）对性能的主导作用。该方法减少了计算成本，为无铅PSC设计提供了高效框架。研究结论翻译如下：本研究利用SCAPS-1D建模结合机器学习对Ca₃AsI₃基PSC进行了全面研究。通过优化FTO/C₆₀/Ca₃AsI₃/CuO/Pt器件结构中的关键物理参数（包括厚度、受主密度、缺陷密度、带隙、ETL施主密度和HTL受主密度），器件获得了27.11%的优异PCE，V_OC为1.18 V，J_SC为26.03 mA cm?2，FF为88.27%。通过能带对齐、Nyquist图、J-V曲线、电容特性和量子效率分析验证了增强性能，确认了有效电荷生成、传输和提取。为提升预测能力并简化器件优化，研究人员基于4096个SCAPS-1D模拟样本建立了机器学习框架。在十种回归算法中，梯度提升回归器（GBR）被确认为PCE预测的最优模型，训练R2为99.93%、测试R2为99.89%，对应RMSE分别为0.0927和0.1122，展现了卓越预测精度和强泛化能力。五折交叉验证、实际vs预测图、SHAP特征重要性、预测误差分布和相关热图进一步证实了模型的可靠性和可解释性。SHAP分析表明吸收层带隙、缺陷密度和载流子浓度显著影响光伏性能。最后，与以往报道的Ca₃AsI₃基太阳能电池对比，所提出的FTO/C₆₀/Ca₃AsI₃/CuO/Pt结构表现出具有竞争力的性能与平衡的光伏参数。总体而言，SCAPS-1D建模与机器学习的集成为预测和提升Ca₃AsI₃基PSC性能提供了高效可靠框架，为开发高性能无铅光伏器件提供了重要见解。