北京大学和北京大学深圳研究生院的研究人员开展的一项前沿研究，利用人工智能加速发现用于光伏的高性能卤化物钙钛矿材料，开辟了太阳能研发的新领域。该研究发表在《Materials Futures》上，引入了一种机器学习(ML)模型，该模型可以准确预测带隙、导带最小值(CBM)和价带最大值(VBM)—这是决定太阳能电池效率和性能的三个最关键的电学参数。
该研究直接解决了钙钛矿光伏开发中的一个关键瓶颈：需要更快、更经济高效地识别稳定、无铅和高效的材料。传统上，这种筛选依赖于高通量实验或密度泛函理论(DFT)模拟—既费力又耗能。该团队的机器学习方法由 Yucheng Ye、Runyi Li 和 Bo Qu 领导，在数千种卤化物钙钛矿候选物中取得了强大的预测性能(R² > 0.80，MAE < 0.29 eV)。
该模型对太阳能技术人员特别有价值，它适用于无机和杂化有机-无机钙钛矿，在研究管道中提供了广泛的实用性。该团队还利用 SHapley Additive exPlanations (SHAP) 解码了影响能带对齐的关键化学和结构特征，这对于设计高效叠层和多结架构至关重要。
这项工作为旨在提高光谱吸收、最大限度地减少复合损耗和提高电池电压的光伏实验室提供了实用工具。随着叠层器件效率现在接近 30%，这种人工智能驱动的发现战略有望加速下一代钙钛矿组件的商业准备。
(消息来源：solarquarter.com, Materials Futures)
