优化Zn掺杂CuO用于环境友好型太阳能电池：一种混合SCAPS-1D/机器学习方法

《Next Materials》：Optimizing Zn-doped CuO for ecofriendly solar cells: A hybrid SCAPS-1D/machine learning approach

　　

为满足对高效、热稳定且低成本光伏器件的迫切需求，这项具有高度影响力的工作提出了一种突破性的太阳能电池结构，采用WS₂作为电子传输层（ETL），CuI作为空穴传输层（HTL）。研究人员使用SCAPS-1D模拟严格分析了WS₂/CuO和CuO/CuI界面，以优化电荷传输。为加速参数探索，研究人员评估了六种机器学习模型，其中随机森林（Random Forest）和梯度提升（Gradient Boosting）实现了卓越的预测精度（平均绝对误差MAE<1%，决定系数R²=0.90）。特征重要性分析显示，锌掺杂浓度是主导性能驱动因素（贡献度为72%），当掺杂超过6–8%时效率下降。在标准条件（300 K）下，优化后的器件实现了显著的功率转换效率（PCE）25.88%（短路电流密度J_sc=20.10 mA/cm²，开路电压V_oc=1.447 V，填充因子FF=89.05%），通过WS₂层调谐进一步升至26.45%。这些结果揭示了锌浓度、缺陷密度、界面质量和光伏性能之间的关系，并突出表明8% Zn掺杂的CuO/WS₂是薄膜太阳能电池应用中一种有前景且可能低成本的吸收层材料。

论文解读：优化Zn掺杂CuO基太阳能电池的SCAPS-1D与机器学习混合研究

随着全球向可持续和环境友好型能源技术转型，光伏（PV）系统因其可扩展性、高效性和低生态足迹而受到广泛关注。在新型光伏技术中，基于过渡金属氧化物的薄膜太阳能电池因其独特的结构和电子特性而成为光电子领域的研究热点。氧化铜（CuO）作为一种天然p型半导体，具有化学稳定性好、成本低和储量丰富等优点，被视为传统贵金属替代材料。其直接带隙在1.2–2.1 eV范围内，与理想吸收层标准高度契合，理论上基于Shockley–Queisser极限的CuO太阳能电池效率可达30%。然而，CuO固有的高电阻率严重阻碍了电荷传输，限制了器件性能。为此，研究人员通过金属离子掺杂调控CuO的物理和电子特性，其中锌（Zn²⁺）因其离子半径与Cu²⁺接近而成为最有效的掺杂剂。尽管实验研究已证实CuO基吸收层的潜力，但实验效率仍远低于理论值，且传统试错法优化成本高昂。本研究旨在将实验获得的CuO材料参数直接融入数值模拟，并结合机器学习加速参数优化，从而为高效、无毒环保的Zn掺杂CuO太阳能电池设计提供可靠且高效的路径。

研究人员采用SCAPS-1D（一维太阳能电池电容模拟器）软件，基于半导体基本方程建立数值模型。模拟采用FTO/IF/WS₂/CuO:Zn/IF/CuI/Au器件结构，其中CuI为空穴传输层（HTL），WS₂为电子传输层（ETL）。将先前实验中在Zn浓度为2%、4%、6%、8%和12%条件下合成的CuO薄膜所测得的带隙、载流子迁移率和载流子浓度作为输入参数，其余材料参数来自文献。所有模拟在AM 1.5G标准光照和300 K温度下进行。为加速多维参数空间探索，研究人员生成了275个SCAPS-1D模拟数据集，并采用六种回归模型（线性回归、二次回归、随机森林、梯度提升、XGBoost和MLP）构建代理模型，以预测功率转换效率。模型评估采用R²、RMSE、MAE和MAPE指标，并结合学习曲线、SHAP分析、单因素敏感性分析及二维交互图增强可解释性。

结果部分按照小标题顺序，研究人员系统研究了各因素对器件性能的影响。

3.1.1 吸收层厚度对太阳能电池效率的影响：厚度从0.1 μm增至1 μm时，Zn浓度为2%、4%、6%的器件性能呈近双曲线式提升；8% Zn掺杂在0.3 μm后趋于稳定；12% Zn掺杂因p-n导电类型转变导致效率极低（0.2–2.2%）。最优厚度下6% Zn掺杂效率为17.47%。

3.1.2 吸收层缺陷密度对太阳能电池效率的影响：在10¹²–10¹⁵ cm^-3范围内器件性能稳定，其中8% Zn掺杂仅在高精度制造区间（10¹²–10¹³ cm^-3）表现优异；12% Zn掺杂在缺陷密度降低时效率从0.47%提升至4.74%。

3.1.3 确定最优Zn掺杂浓度：同时优化厚度和体缺陷密度后，8% Zn掺杂吸收层实现最高PCE 21.16%，优于6% Zn的18.59%，确定8% Zn为最佳掺杂浓度。

3.1.4 界面缺陷密度对太阳能电池效率的影响：CuO:Zn/WS₂界面缺陷密度增加显著降低V_oc和FF，而CuI/CuO:Zn界面影响较小。当两界面缺陷密度均为10¹² cm^-2时，实现PCE 25.88%。

3.1.5 所选ETL/HTL材料的能带排列：WS₂具有小的负导带偏移（ΔE_c=-0.12 eV），TiO₂接近零正偏移（+0.08 eV），均有利于电子提取；SnO₂的大正偏移（+0.48 eV）导致效率大幅降低至约0.17–0.18%。

3.1.6 不同HTL和ETL材料对太阳能电池效率的影响：TiO₂和WS₂作为ETL时，几乎所有HTL组合效率均超过25%，其中CuI/TiO₂组合效率最高达26.35%，CuI/WS₂组合效率为25.88%。

3.1.7 最优ETL和HTL的厚度与缺陷密度：WS₂厚度减薄使FF和J_sc显著提升，PCE从25.88%增至26.20%；CuI厚度和缺陷密度变化对性能影响极小。

3.1.8 最优ETL和HTL的厚度与掺杂浓度：WS₂掺杂浓度（N_D）在10¹⁷ cm^-3、厚度0.08214 μm时实现最高效率26.45%；CuI的受主浓度（N_A）和厚度变化对性能影响微弱。

3.1.9 工作温度影响：在250–400 K范围内，V_oc随温度升高而降低，J_sc随温度升高而增加，PCE在25–26%之间波动，表现出良好的温度稳定性。

3.1.10 对比研究：优化后的FTO/WS₂/8% Zn-CuO/CuI/Au结构模拟效率达26.45%，与文献中实验和模拟的CuO基器件相比具有竞争力，但强调该值为理想化一维模拟结果，仍需实验验证。

3.2 机器学习代理建模与可解释性框架：通过Pearson相关分析发现缺陷密度（N_t）与PCE呈最强负相关（-0.28），锌浓度（C_Zn）为-0.21，厚度为+0.15。模型选择中，随机森林（R²=0.900，MAE=0.885%）和梯度提升（R²=0.899，MAE=0.827%）表现最优。学习曲线表明数据集扩展可进一步提高精度。特征重要性分析显示C_Zn贡献度高达72%，N_t约20%，厚度仅8%。SHAP分析确认高C_Zn和高N_t降低PCE，而厚度增大提高PCE。单因素敏感性分析显示PCE在C_Zn超过6%后急剧下降，12%时趋近于零；N_t在10¹⁶ cm^-3以上时效率快速衰减。二维交互图表明缺陷控制是厚度优化的前提，最高PCE区域位于厚度>0.8 μm且N_t<10¹⁴ cm^-3。

讨论部分指出，Zn掺杂浓度是决定器件性能的首要因素，8% Zn为最优掺杂点，而12% Zn时的p-n转变导致性能恶化。机器学习的引入不仅加速了参数筛选，还通过SHAP分析提供了物理上可解释的设计规则。结论部分翻译如下：数值研究表明，Zn浓度为12%的CuO:Zn吸收层在厚度500 nm、缺陷密度10¹² cm^-3时仅获得4.74%的最大效率；相反，在Zn浓度为2%、4%、6%和8%时，采用厚度1 μm、体缺陷密度10¹² cm^-3和界面缺陷密度10¹² cm^-3，并配置TiO₂或WS₂作为ETL以及CuI等作为HTL，效率可超过25%。进一步地，当采用8% Zn浓度、WS₂作为ETL、CuI作为HTL并联合上述最优物理参数时，实现转换效率26.45%（V_oc=1.45 V，J_sc=20.32 mA/cm²，FF=89.69%）。器件在测试温度范围内表现出显著的PCE稳定性。为加速优化，研究人员使用了六种机器学习模型，其中集成模型（随机森林和梯度提升）提供了最高预测精度（MAE<1%，R²=0.90）。机器学习分析确定锌浓度为支配性能的主要参数，占预测重要性的72%，并揭示超过8%掺杂后效率急剧下降。这种SCAPS模拟与高精度机器学习代理模型的结合，为开发高性能可持续光伏技术提供了高效且有洞察力的框架。该研究发表于《Next Materials》。