Prédire les performances des dispositifs des cellules solaires à pérovskite grâce à l'apprentissage automatique

Prédire les performances des dispositifs des cellules solaires à pérovskite grâce à l’apprentissage automatique

Journal of Energy Chemistry (2022). DOI : 10.1016/j.jechem.2022.10.024″ width= »562″ height= »347″>

Analyse des paramètres du processus de fabrication des cellules solaires en pérovskite par apprentissage automatique. Le crédit: Journal de chimie énergétique (2022). DOI : 10.1016/j.jechem.2022.10.024

Les cellules solaires à pérovskite aux halogénures métalliques (PSC) se sont rapidement développées au cours de la dernière décennie. Pour obtenir des PSC performants, il est impératif d’optimiser les procédés de fabrication et la composition des films de pérovskite. Des travaux approfondis ont été menés pour déterminer les effets des processus de fabrication et de la composition des films de pérovskite sur les performances du dispositif.

Cependant, il a été difficile d’élucider leurs corrélations en raison de l’énorme espace variable construit par ces facteurs. L’exploration de ces relations est sans aucun doute essentielle pour prédire les performances de l’appareil pour une optimisation efficace de l’appareil. Cependant, en raison de la complexité de ces facteurs, il n’a pas été possible jusqu’à présent de mener à bien ce travail par la seule expérimentation.

Récemment, le professeur Zheng Xu et le professeur agrégé Dandan Song de l’Université Jiaotong de Pékin ont adopté l’approche d’apprentissage automatique (ML) pour explorer ces corrélations en apprenant les résultats expérimentaux existants, permettant ainsi de prédire les performances de l’appareil à partir de ces facteurs.

Les effets de ces facteurs sur les performances de l’appareil ont été analysés par l’analyse des explications additives de Shapley (SHAP). De plus, pour améliorer l’interprétabilité du modèle ML, les auteurs ont considéré les cations du site A comme exemple pour expliquer et vérifier les résultats prédits par des calculs et des expériences de théorie fonctionnelle de la densité (DFT). Ce travail explique en détail comment ML guide l’optimisation des dispositifs, servant ainsi également de guide pour la conception inverse d’expériences afin d’obtenir des PSC hautes performances.

Cette recherche a été publiée dans le Journal de chimie énergétique.

Fourni par l’Académie chinoise des sciences


A lire également