主要內(nèi)容

試錯(cuò)法對于找到限制鈣鈦礦太陽能電池效率的因素具有實(shí)用性，但這種方法較為復(fù)雜。除此之外還有另一種選擇，即機(jī)器學(xué)習(xí)與漂移擴(kuò)散模擬相結(jié)合。

在這篇文章中，研究團(tuán)隊(duì)開發(fā)了一種機(jī)器學(xué)習(xí)模型，提出機(jī)器學(xué)習(xí)(ML)方法可以僅基于照明下的電流密度-電壓(J-V)曲線來預(yù)測限制太陽能電池性能的參數(shù)。用于訓(xùn)練模型的數(shù)據(jù)(11 ' 150 J-V曲線)是基于器件仿真的，其中電荷傳輸和復(fù)合相關(guān)的20種不同物理參數(shù)分別變化。這種方法可以覆蓋在不同的制造條件或設(shè)備退化期間可能發(fā)生的各種影響。使用ML時(shí)，模擬的J-V曲線將針對準(zhǔn)確度高于80%的更改參數(shù)進(jìn)行分類。

結(jié)果表明，短路電流密度、開路電壓、最大功率轉(zhuǎn)換效率和填充因子等關(guān)鍵參數(shù)可以對設(shè)備結(jié)構(gòu)變化進(jìn)行準(zhǔn)確的預(yù)測。為了顯示實(shí)際相關(guān)性，將ML算法應(yīng)用于報(bào)告的設(shè)備，并從物理角度討論結(jié)果。事實(shí)證明，只要滿足特定條件，就能得到滿意的結(jié)果。所提出的工作流程可用于更好地了解設(shè)備的行為，例如在退化過程作為指導(dǎo)方針提高其性能，而無需昂貴且耗時(shí)的基于實(shí)驗(yàn)室的試錯(cuò)方法。

研究過程中使用巨力光電代理的Setfos進(jìn)行模擬仿真

Identifying Performance Limiting Parameters in Perovskite Solar Cells Using Machine Learning

Oliver Zbinden, Evelyne Knapp, Wolfgang Tress*