机器学习开辟了缺陷工程的道路,以抑制 Cu₂ZnSn(S,Se)₄太阳能电池中的非辐射重组损失

科学领域:

• 材料科学 材料科学 材料科学
• 可再生能源可再生能源是可再生能源.
• 半导体物理 半导体物理

背景情况:

• 石材料,特别是铜锡硫化化物 (CZTSSe),对光电子应用具有前景.
• CZTSSe中的缺陷通过增加载体重组来阻碍太阳能电池的性能.
• 优化CZTSSe需要策略来减轻批量和接口缺陷.

研究的目的:

• 使用机器学习引导的方法提高铜锡硫化 (CZTSSe) 太阳能电池的性能.
• 为了优化 (Ge) 的结合,提高设备效率,减少开放电路的电压损失.
• 调查缺陷工程在实现高质量的CZTSSe设备中的作用.

主要方法:

• 开发了一种机器学习 (ML) 模型,以预测CZTSSe的最佳 (Ge) 度.
• (Ge) 被纳入CZTSSe吸收层,以减少缺陷.
• 引入了银 (Ag) 来消极铜 (Cu) 相关的缺陷.

主要成果:

• ML模型确定了<5%的Ge度是CZTSSe性能最佳的.
• Ge的结合抑制了深层次的缺陷,改善了载体分离和少数载体寿命.
• 冠军的CZTSSe太阳能电池与Ag和Ge结合实现了11.32%的功率转换效率,从9.11%显著增加.

结论:

• 机器学习引导的Ge整合是提高CZTSSe太阳能电池性能的一个有效策略.
• 通过Ge和Ag的纳入,缺陷被动化显著减少非辐射重组损失.
• 这项工作展示了通过有针对性的材料工程来提高石太阳能电池效率的途径.