Machine learning for perovskite solar cell material discovery and perspective for perovskite silicon tandem solar

Kaining Ding 先生(sheng)

Head of Department, IMD3, Forschungszentrum Jülich GmbH

Kaining Ding博士(shi)系(xi)統(tong)展示了(le)機器(qi)學習(xi)技(ji)術(shu)在鈣鈦礦太陽能(neng)電(dian)(dian)池材(cai)(cai)料研發中的(de)(de)突(tu)(tu)破(po)(po)性(xing)應用。通過構建包含12,000組(zu)鈣鈦礦材(cai)(cai)料成分-性(xing)能(neng)關(guan)系(xi)的(de)(de)數(shu)據庫(ku)，并結合密度泛函理論(lun)（DFT）計算與貝葉(xie)斯優(you)化算法(fa)，研究團隊將新型材(cai)(cai)料的(de)(de)篩選(xuan)效率提(ti)升至(zhi)傳統(tong)方(fang)法(fa)的(de)(de)6.8倍。關(guan)鍵數(shu)據顯示，經機器(qi)學習(xi)優(you)化的(de)(de)FA0.83Cs0.17Pb(I0.87Br0.13)3鈣鈦礦組(zu)分，其(qi)光電(dian)(dian)轉換效率從(cong)初始(shi)的(de)(de)21.5%提(ti)升至(zhi)24.7%，開路(lu)電(dian)(dian)壓(ya)提(ti)升達120mV，且濕熱(re)穩(wen)定性(xing)突(tu)(tu)破(po)(po)1000小時衰減(jian)閾值。

演(yan)講重點解析了材料發(fa)現工(gong)作流程的(de)技術突破點：通過Kennard-Stone算法(fa)將高(gao)通量合成(cheng)(cheng)的(de)樣本量減少78%的(de)同時，仍能(neng)覆蓋92.4%的(de)材料特(te)征空間；結合自動(dong)化表征系統，單(dan)日可完成(cheng)(cheng)200組材料性(xing)能(neng)測試，較傳(chuan)統方法(fa)提速40倍。在鈣鈦(tai)礦/硅疊層電池(chi)(chi)領域，Ding博士團隊(dui)通過機(ji)(ji)器(qi)(qi)學習指導的(de)寬帶(dai)隙鈣鈦(tai)礦頂電池(chi)(chi)與(yu)紋理(li)化硅底電池(chi)(chi)集(ji)成(cheng)(cheng)，實驗器(qi)(qi)件獲得29.8%的(de)轉換效率，較單(dan)結硅電池(chi)(chi)理(li)論(lun)極限提升(sheng)7.2個百分點。這些(xie)量化成(cheng)(cheng)果有力(li)證實了機(ji)(ji)器(qi)(qi)學習在突破Shockley-Queisser極限中(zhong)的(de)關鍵作用——通過建立材料組分-工(gong)藝(yi)-性(xing)能(neng)的(de)非線性(xing)映(ying)射(she)模型，將傳(chuan)統"試錯法(fa)"研發(fa)周(zhou)期從5-7年縮短至8-12個月。

該研究標(biao)志著(zhu)鈣鈦礦光伏(fu)技術從(cong)經驗驅(qu)動(dong)向數(shu)據驅(qu)動(dong)范(fan)式轉(zhuan)變(bian)，特(te)別是(shi)機器學習(xi)(xi)指導的(de)溶劑工程(cheng)（DMF/DMSO體(ti)積(ji)比優(you)化(hua)）使成(cheng)膜均勻(yun)性提(ti)(ti)升63%，顯著(zhu)降低界面復合速率，Ding博士強調，這種跨尺度優(you)化(hua)方法為30%效率級(ji)串聯太(tai)陽能的(de)產業化(hua)提(ti)(ti)供了明確路徑，目前(qian)已(yi)有3種機器學習(xi)(xi)預(yu)(yu)測的(de)材(cai)料體(ti)系進入(ru)中試階段，預(yu)(yu)計(ji)2025年實現(xian)組件級(ji)效率26%的(de)突破。