在“雙碳”背景下，鈣鈦礦太陽能電池（PSCs）憑借制備工藝簡單、光電轉(zhuǎn)換效率高、可疊層集成及柔性兼容等顯著優(yōu)勢，成為光伏領域的研究熱點。然而，其商業(yè)化應用仍受限于材料穩(wěn)定性不足、工藝可控性有限及封裝可靠性欠缺等關鍵瓶頸。

近些年，人工智能與機器學習技術憑借其強大的數(shù)據(jù)挖掘與預測能力，逐步應用于高效率、高穩(wěn)定性鈣鈦礦光伏器件的研發(fā)全流程。但機器學習在鈣鈦礦光伏領域的現(xiàn)有研究仍呈現(xiàn)“散點化”特點，存在實驗與產(chǎn)線數(shù)據(jù)壁壘、模型跨尺度遷移能力不足、可靠性預測精度受限、復雜體系缺乏多目標優(yōu)化算法等問題，數(shù)據(jù)孤島、精度受限與尺度差異等挑戰(zhàn)仍是機器學習驅(qū)動鈣鈦礦光伏規(guī)?；酱黄频年P鍵。

近日，揚州大學碳中和技術研究院丁建寧、李綠洲團隊在《科學通報》撰寫評述文章，從PSCs的功能層材料創(chuàng)新、制備工藝優(yōu)化與器件性能解析三個維度，系統(tǒng)綜述機器學習在PSCs的研究進展，并進一步展望了機器學習在疊層太陽能電池智能協(xié)同設計、封裝工藝數(shù)字化等方向的應用前景，為推動鈣鈦礦光伏技術從實驗室走向規(guī)?；峁├碚搮⒖寂c實踐指引。

圖文速覽

圖1機器學習驅(qū)動鈣鈦礦吸光層材料篩選. (a) 研究二維有機無機雜化鈣鈦礦力學性質(zhì)的工作流程。(b)通過化合物集合中的每一類待篩選的A、B和X原子的比例進行鈣鈦礦組分篩選過程可視化。(c) Cs/MA/FAPbI3（左圖）和Cs/MA/FASnI3I3（右圖）的三元等高線圖，顯示固定Pb=1，I=3和Sn=1，I=3時不同Cs/MA/FA比例的預測帶隙。(d)自變量與帶隙的相關矩陣

圖2機器學習輔助傳輸層材料篩選 . (a) 用于構(gòu)建數(shù)據(jù)庫和訓練 / 評估預測機器學習模型的工作流程。 (b) t 分布隨機鄰域嵌入降維方法 (t-SNE) 對復雜數(shù)據(jù)集的分析。 (c) 機器學習指導尋找具有摻雜電子傳輸層的高效 PSCs

圖3 機器學習聚焦工藝優(yōu)化. (a) 具有概率約束的PSCs順序?qū)W習優(yōu)化方案。(b) 全自動旋涂平臺（SPINBOT）的拍照，特點是：1.四軸運動的機械臂（X、Y、Z、R）；2.液體處理移液器；3.用于基板搬運的抓手；4.微型旋涂機；5.移液器尖端；6.儲存液的96孔酶標板和反溶劑；7.承運人；8.熱板。(c) 通過機器學習推進氣相沉積PSCs

圖4機器學習推動鈍化策略. (a) RE-RCV機器學習模型對篩選出的小分子進行構(gòu)型和概率預測。(b) 機器學習輔助PSCs界面鈍化材料的篩選。(c) BTR-Cl、BTR-Br和BTR-I的重要特征對VOC預測正負值的具體貢獻

圖5機器學習預測器件性能. (a) 基于擴展數(shù)據(jù)集的線性回歸預測算法的20個參數(shù)權(quán)重。(b) 甲基銨三碘鉛（MAPbI3）降解過程中光電演化示意圖，560 nm光透過薄膜的透射率增加。(c)通過Multi-Head SEResNet（多頭擠壓激勵殘差網(wǎng)絡）模型預測，PSC組成表現(xiàn)出最佳的穩(wěn)定性。(d)經(jīng)過三輪的迭代優(yōu)化過程器件效率的演化

文章信息

王愛麗, 張浩然, 杜開懷, 李綠洲*, 丁建寧*. 機器學習在鈣鈦礦太陽能電池的應用研究進展. 科學通報, 2026, doi: 10.1360/CSB-2025-5719

轉(zhuǎn)載、投稿請留言

| 關注科學通報 | 了解科學前沿