主要內容

試錯法對于找到限制鈣鈦礦太陽能電池效率的因素具有實用性，但這種方法較為復雜。除此之外還有另一種選擇，即機器學習與漂移擴散模擬相結合。

在這篇文章中，研究團隊開發(fā)了一種機器學習模型，提出機器學習(ML)方法可以僅基于照明下的電流密度-電壓(J-V)曲線來預測限制太陽能電池性能的參數。用于訓練模型的數據(11 ' 150 J-V曲線)是基于器件仿真的，其中電荷傳輸和復合相關的20種不同物理參數分別變化。這種方法可以覆蓋在不同的制造條件或設備退化期間可能發(fā)生的各種影響。使用ML時，模擬的J-V曲線將針對準確度高于80%的更改參數進行分類。

結果表明，短路電流密度、開路電壓、最大功率轉換效率和填充因子等關鍵參數可以對設備結構變化進行準確的預測。為了顯示實際相關性，將ML算法應用于報告的設備，并從物理角度討論結果。事實證明，只要滿足特定條件，就能得到滿意的結果。所提出的工作流程可用于更好地了解設備的行為，例如在退化過程作為指導方針提高其性能，而無需昂貴且耗時的基于實驗室的試錯方法。

研究過程中使用巨力光電代理的Setfos進行模擬仿真

Identifying Performance Limiting Parameters in Perovskite Solar Cells Using Machine Learning

Oliver Zbinden, Evelyne Knapp, Wolfgang Tress*