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

Kaining Ding 先生

Head of Department, IMD3, Forschungszentrum Jülich GmbH

Kaining Ding博士系统展示了机器学习技术在钙钛矿太阳能电池材料研发中的突破性应用。通过构建包含12,000组钙钛矿材料成分-性能关系的数据库，并结合密度泛函理论（DFT）计算与贝叶斯优化算法，研究团队将新型材料的筛选效率提升至传统方法的6.8倍。关键数据显示，经机器学习优化的FA0.83Cs0.17Pb(I0.87Br0.13)3钙钛矿组分，其光电转换效率从初始的21.5%提升至24.7%，开路电压提升达120mV，且湿热稳定性突破1000小时衰减阈值。

演讲重点解析了材料发现工作流程的技术突破点：通过Kennard-Stone算法将高通量合成的样本量减少78%的同时，仍能覆盖92.4%的材料特征空间；结合自动化表征系统，单日可完成200组材料性能测试，较传统方法提速40倍。在钙钛矿/硅叠层电池领域，Ding博士团队通过机器学习指导的宽带隙钙钛矿顶电池与纹理化硅底电池集成，实验器件获得29.8%的转换效率，较单结硅电池理论极限提升7.2个百分点。这些量化成果有力证实了机器学习在突破Shockley-Queisser极限中的关键作用——通过建立材料组分-工艺-性能的非线性映射模型，将传统"试错法"研发周期从5-7年缩短至8-12个月。

该研究标志着钙钛矿光伏技术从经验驱动向数据驱动范式转变，特别是机器学习指导的溶剂工程（DMF/DMSO体积比优化）使成膜均匀性提升63%，显著降低界面复合速率，Ding博士强调，这种跨尺度优化方法为30%效率级串联太阳能的产业化提供了明确路径，目前已有3种机器学习预测的材料体系进入中试阶段，预计2025年实现组件级效率26%的突破。