机器学习辅助钙钛矿薄膜制备工艺优化及特征重要性评估

作     者：弓箭 陈谦 李阳 马梦恩 马玉姣 吴绍航 刘冲 麦耀华 GONG Jian;CHEN Qian;LI Yang;MA Mengen;MA Yujiao;WU Shaohang;LIU Chong;MAI Yaohua

作者机构：五邑大学智能制造学部广东江门529020 暨南大学物理与光电工程学院广东广州510632 

出 版 物：《发光学报》 (Chinese Journal of Luminescence)

年 卷 期：2024年第45卷第3期

页      面：399-406页

核心收录：

学科分类：0809[工学-电子科学与技术（可授工学、理学学位）] 07[理学] 070205[理学-凝聚态物理] 08[工学] 0805[工学-材料科学与工程（可授工学、理学学位）] 080502[工学-材料学] 0702[理学-物理学] 

基　　金：广东省重点领域研发计划项目(2019B010132004) 国家自然科学基金(62104082,62005099) 广东省基础与应用基础研究基金(2022A1515010746,2022A1515011228) 广州市科技计划(202201010458,202201010542) 

主　　题：钙钛矿太阳能电池 机器学习 工艺优化 高效率 

摘      要：钙钛矿太阳能电池仅用十年左右的时间将效率提升至认证的26.1%,非常接近晶硅太阳能电池26.81%的认证效率,展现出巨大的产业化潜力。当前,钙钛矿太阳能电池器件效率还在提升,然而在器件制备过程中,钙钛矿太阳能电池的性能受到许多不可分割的因素影响,传统方法往往采用试错的方式来优化钙钛矿太阳能电池的制备工艺,花费了大量的时间。贝叶斯优化是一种全局优化算法,在解决人工智能的黑盒问题方面取得了很大的成功。本文利用贝叶斯优化算法对钙钛矿层涉及到的碘化铅(PbI2)过量百分比、退火温度、退火时间、真空萃取时间四个工艺参数进行优化选择,显著降低了研发成本,缩短了研发时间。通过五轮实验迭代,累计34组工艺条件,制备出了器件效率为23.56%的反型钙钛矿太阳能电池。