华南理工大学薛启帆The Innovation：机器学习将为钙钛矿太阳能电池提供新思路

研究背景

随着材料基因组计划的提出，传统的“实验试错”模式受到挑战。钙钛矿太阳能电池（PSC）作为最有希望实现商业化的第三代太阳能电池，与人工智能领域中的主流方法——机器学习（ML）相结合对钙钛矿太阳能电池的材料筛选、性能预测以及实验指导等方面的研究表现出巨大潜力。

华南理工大学发光材料与器件国家重点实验室薛启帆团队总结分析机器学习结合钙钛矿太阳能电池（ML&PSC）相关研究，尽管仍处于初级发展阶段，但是它们具有巨大的未开发潜力。数据积累和模型优化，是ML&PSC发展的重要方向。当数据积累足够大，模型优化到对数据的依赖足够低时，ML对PSC的研究助力将发生质变。ML将会和如今的AI工具一样，帮助研究者解决PSC领域的各项问题。

影响钙钛矿太阳能电池效率的因素是多样且复杂的。大量的实验试错或者精确的理论计算成本太高，而机器学习可作为一种新的可选择的方法。ML代表了科学的第四范式，是一种完全由数据驱动的方法。ML通过收集已有的数据将研究内容之间的因果关系转化为相关关系，就像人类从发生的历史事件中总结经验一般。在面对重大的实验挑战和迫切的进步要求时，理解“是什么”比理解“为什么”更为重要，因此ML恰巧符合实现PSC商业化的迫切需求。

图文解析

图 1.钙钛矿太阳能电池结合机器学习的研究过程包括四个主要部分：数据收集;模型培训;预测目标属性;和实验验证。

在早期阶段，ML主要用于预测PSC中钙钛矿材料的带隙、形成能及其他属性。然而，由于数据量有限，难以提高模型的预测精度。此外，基于量子力学的密度泛函理论（DFT）在目前材料科学研究中已经很成熟，其精度远高于ML。尽管如此，需要明确的是，ML虽然不能取代DFT计算在属性预测中的作用，但它保留了计算成本低的优势。最近，研究者在使用机器学习方法筛选 PSC 器件界面材料方面取得了重大进展。比如Liu等利用ML发现了应用于p-i-n型PSC的有效钝化剂ThEACl；Zhi等应用ML发现了2-PPAI是一种良好的2D钙钛矿钝化剂；Xu借助ML发现了阴离子钝化剂ST。这些工作证明了尽管数据量受限，ML在某些研究方面仍有巨大的应用前景。虽然它不能准确识别具有特定属性的材料，但可以有效地缩小选择范围。这是通过 ML 模型的有效数据学习和正确的模型解释方法来实现的。

但是，小数据集仍然是ML应用面临的主要问题。2022年Jacobsson等建立了一个样本数量超过42000个PSC数据库，数据来源于2020年2月之前所发表的文章，并且作者鼓励全球PSC领域的研究者上传自己的实验数据，这项工作最终发表在了Nature期刊上。该数据库推动了ML在PSC领域的应用，但是由于不同研究团队的实验环境不同，报道的方式不统一，从而导致数据存在大量缺失值，不能直接用于ML模型训练。毫无疑问，PSC数据库的建立是一个非常好的开端，规模庞大且数值完整的数据库需要PSC领域更多的研究者来共同实现。

数据积累是一个缓慢的过程，在积累数据的同时，优化模型也是非常重要的。在最近的一篇报道中，Li等人应用了迁移学习和深度学习来预测钙钛矿的形成能，他们使用尖晶石来扩展钙钛矿数据，因为它具有与钙钛矿相似的晶格结构。当机器学习从大量尖晶石数据中学习时，只需要相对少量的钙钛矿数据来校正模型，就可以实现更高的预测精度。该工作也为解决小数据问题提供了新的思路。

参考文献：

Ziming Chen, Shuang Pan*, Jing Wang*, Yonggang Min, Yihuang Chen*, Qifan Xue*, (2024). Machine learning will revolutionize perovskite solar cells. The Innovation 5 (3), 100602.

DOI: 10.1016/j.xinn.2024.100602

文章链接：

https://doi.org/10.1016/j.xinn.2024.100602 （点击文末「阅读原文」，直达链接）

研理云服务器