通过精确和实用的机器学习工具,加速开发用于高效矿太阳能电池的蒸汽沉积技术
Long Luo1, Ziyang Gao2, Muyi Fang1
1College of Physical Science and Technology, Institute of Technology for Carbon Neutralization, Yangzhou University, Jiangsu, 225009, China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|August 13, 2025
概括
机器学习通过预测功率转换效率 (PCE) 来加速矿太阳能电池 (PSC) 的开发. 这项研究逆向设计了最佳的设备架构和蒸汽沉积参数,大大缩短了商业应用的研发周期.
科学领域:
- 材料科学 材料科学 材料科学
- 可再生能源技术可再生能源技术
- 计算化学的计算化学
背景情况:
- 蒸汽沉积是工业化矿太阳能电池 (PSC) 的关键.
- 复杂的参数空间增加了PSC蒸汽沉积的试错成本.
- 机器学习为优化PSC制造提供了一个有效的途径.
研究的目的:
- 开发一个准确和可解释的机器学习模型,用于预测矿太阳能电池电力转换效率 (PCE).
- 为了确定高效PSC的最佳设备架构和蒸汽沉积参数.
- 在各种蒸汽沉积过程中展示ML指导策略的应用.
主要方法:
- 在一个集成的宏观和微型特征数据集上训练了一个ETree机器学习模型.
- 为了优化,使用了SHAP分析,蒙特卡洛模拟和参数空间探索.
- 在6个独立的蒸汽沉积过程中,应用了ML衍生策略.
主要成果:
- 对于PCE预测,ML模型实现了高的确定系数 (0.9464) 和低的RMSE (1.27%).
- 一个最佳的FTO/SnO2/Cs0.04FA0.96PbI3/Spiro-OMeTAD/Au设备架构和参数进行了逆向工程,预测了26.21%的PCE.
- 通过ML引导的优化,在多个蒸汽沉积设置中成功增强了PCE.
结论:
- 机器学习显著减少了通过蒸汽沉积制造的高效矿太阳能电池的研发时间.
- 开发的ML模型为优化PSC性能和加速商业化提供了一个强大的框架.
- 这种方法为克服工业PSC生产中的性能瓶提供了潜在的途径.
