主要内容

试错法对于找到限制钙钛矿太阳能电池效率的因素具有实用性，但这种方法较为复杂。除此之外还有另一种选择，即机器学习与漂移扩散模拟相结合。

在这篇文章中，研究团队开发了一种机器学习模型，提出机器学习(ML)方法可以仅基于照明下的电流密度-电压(J-V)曲线来预测限制太阳能电池性能的参数。用于训练模型的数据(11 ' 150 J-V曲线)是基于器件仿真的，其中电荷传输和复合相关的20种不同物理参数分别变化。这种方法可以覆盖在不同的制造条件或设备退化期间可能发生的各种影响。使用ML时，模拟的J-V曲线将针对准确度高于80%的更改参数进行分类。

结果表明，短路电流密度、开路电压、最大功率转换效率和填充因子等关键参数可以对设备结构变化进行准确的预测。为了显示实际相关性，将ML算法应用于报告的设备，并从物理角度讨论结果。事实证明，只要满足特定条件，就能得到满意的结果。所提出的工作流程可用于更好地了解设备的行为，例如在退化过程作为指导方针提高其性能，而无需昂贵且耗时的基于实验室的试错方法。

研究过程中使用巨力光电代理的Setfos进行模拟仿真

Identifying Performance Limiting Parameters in Perovskite Solar Cells Using Machine Learning

Oliver Zbinden, Evelyne Knapp, Wolfgang Tress*