第一作者：严文生教授
通讯作者：李望南副教授
通讯单位：湖北文理学院
钙钛矿太阳能电池 3 为主且在制造中抑制非辐射复合损耗的相位稳定钙钛矿，从而进一步提高功率转换效率（PCE）。 典型的卤化物钙钛矿是离子化合物，化学式为ABX3 。因此，钙钛矿在原则上有无数种组合和可能性，用传统的试错法来设计既不现实也不科学。目前，机器学习（ML）正在兴起，可用于加速新型PSC的探索和开发。此外，光管理策略可最大限度地减少光损失以最大化光电流密度。因此，预计ML与光管理策略的结合可探索并实现具有独特优势的新型PSC的高效率。 在此，湖北文理学院李望南副教授（通讯作者） 联合杭州电子科技大学、三峡大学 等单位的研究者使用具有先进算法的ML预测了五种未探测的(FAPbI3 )x (MAPbBr2.8 Cl0.2 )1-x 低带隙钙钛矿作为实验指导，并预测了五种PSCs的短路电流密度（Jsc ）和开路电压（Voc ）。实验结果表明，平面(FAPbI3 )0.95 (MAPbBr2.8 Cl0.2 )0.05 PSCs的PCE最高，为22.5%，其Jsc 为24.6 mA/cm2 , Voc 为1.11 V，填充因子（FF）为82.4%。在相对误差小于2% 的情况下，作者证明了测量带隙和预测带隙之间的一致性。 此外，测得的Jsc 和Voc 值显示出与ML预测的一致性，其中Jsc值通过光学建模和模拟得到验证。通过在平面电池顶部采用抗反射聚二甲基硅氧烷（PDMS）纳米锥阵列，作者基于光管理策略进一步提高了光电流密度和效率。由于Jsc 值提高1.2 mA/cm2 ，效率可提高至23.6%。 稳定性测量表明，在不封装的情况下，与(FAPbI3 )0.95 (MAPbBr3 )0.05 PSC相比，(FAPbI3 )0.95 (MAPbBr2.8 Cl0.2 )0.05 PSC的器件稳定性在600小时内显著提高。该研究以“Machine learning enabled development of unexplored perovskite solar cells with high efficiency ”为题发表于国际顶级期刊Nano Energy （IF=17.881） 在本研究中，ML流程主要包括数据库收集、特征识别、模型选择、模型应用及PSC器件的光学设计。具体来说，PSC的Jsc 和Voc 值在25 °C、100 mW/cm2 的AM 1.5 G太阳光标准条件下统一测量。PSC统一设定为典型的单结电池结构，具有光阳极、单电子/空穴传输层（ETL/HTL）、单吸收层和金属阴极。当前工作中有两种X-Y结构：一种是描述符（输入Xi）与带隙（输出Y1），另一种是描述符（输入Xj）与Jsc /Voc （输出Y2、Y3）。第一种结构使用ABX3 型钙钛矿的5种化学成分，即Pb、Sn、Br、Cl、I作为描述符Xi，第二种结构选择11个描述符Xj，即MA、FA、Cs、Pb、Sn、Br、Cl、I、带隙、ΔLOMO和ΔHOMO。 对于模型，作者根据经验经验确定并选择了XGBoost和RF这两种最佳算法，GridSearchCV网格搜索和五重交叉验证用于优化超参数。模型的评估使用均方根误差（RMSE）和皮尔逊相关系数（r值），其中测试集占整个数据库的15%，与训练集互斥。 结果显示，预测的带隙、Jsc 和Voc 值与实验值非常接近，预测和测量之间的带隙的最大相对误差小于2%，这意味着目前的ML模型具有预测未知钙钛矿性质的突出能力。其中，5种组合物被预测为具有低带隙的钙钛矿。随着y值从0.10降低到0.01，预测带隙值从1.60 eV降低到1.53 eV，这种带隙的减小有利于提高效率。 根据ML预测结果，作者发现(FAPbI3 )0.90 (MAPbBr2.8 Cl0.2 )0.10 和(FAPbI3 )0.92 (MAPbBr2.8 Cl0.2 )0.08 在Jsc 和Voc 值方面表现出5种钙钛矿中最差的性能。其中，(FAPbI3 )0.99 (MAPbBr2.8 Cl0.2 )0.01 显示出最高的性能。然而，在目前的技术水平下，获得稳定的α相钙钛矿薄膜非常具有挑战性。此外，作者发现(FAPbI3 )0.95 (MAPbBr2.8 Cl0.2 )0.05 的光生载流子寿命最长，为367.7 ps。基于这些讨论和比较，(FAPbI3 )0.95 (MAPbBr2.8 Cl0.2 )0.05 被选为目前的示范目标。 实验上，(FAPbI3 )0.95 (MAPbBr2.8 Cl0.2 )0.05 是通过改变(FAPbI3 )0.95 (MAPbBr3-x Clx )0.05 中的X值（0~0.8）来获得的。光致发光（PL）光谱表明，(FAPbI3 )0.95 (MAPbBr2.8 Cl0.2 )0.05 钙钛矿薄膜显示出最强的PL强度。同时，SEM图像显示，该薄膜显示出最佳质量，平均晶粒尺寸为983 nm。为了进一步探索Cl– 对器件的界面效应，作者制备了玻璃/FTO/SnO2 /钙钛矿/PCBM/Au结构的纯电子器件，用于准确评估不同器件中的陷阱密度（SCLC）。与对照器件相比，目标器件的陷阱密度为10.33 × 1015 cm-3 ，这可归因于Cl– 沉积钙钛矿薄膜的高相纯度和结晶度。 (FAPbI3 )0.95 (MAPbBr2.8 Cl0.2 )0.05 钙钛矿太阳能电池PCE在反向扫描（RS）模式下为 22.5%，高于正向扫描（FS）模式下的21.4%，其中Jsc 、Voc 和FF值分别为 24.6 mA/cm2 、1.11 V和82.4%。此外，ML 预测的Jsc 值在24.0±1.1 mA/cm2 的范围内，因此24.6 mA/cm2 的实测值吻合良好。同时，在RS处测得的1.11 V和FS处1.09 V的Voc 值也很好地落在了ML预测范围内，表明了ML的有效性。光学模拟表明，从光学模型计算的Jsc 值为24.7 mA/cm2 ，略高于测量的Jsc 值24.6 mA/cm2 。对比结果表明，从ML预测、测量和光学模拟等不同角度得到的Jsc 值是一致和合理的。 进一步，作者比较了未封装的(FAPbI3 )0.95 (MAPbBr2.8 Cl0.2 )0.05 和 (FAPbI3 )0.95 (MAPbBr3 )0.05 钙钛矿太阳能电池器件稳定性。对于(FAPbI3 )0.95 (MAPbBr2.8 Cl0.2 )0.05 器件，PCE在前15天内保留了90% 的初始效率，第16天至25天（600小时）时仍保持约高达80%的初始效率，表现出出色的长期稳定性。研究指出，PCE下降10%主要是由于FF的降低，而其他两个参数的衰减可以忽略不计。 为了最大限度地提高光电流密度和效率，作者通过将抗反射PDMS纳米锥阵列应用于平面钙钛矿电池的前表面来进行光管理设计，其中纳米锥阵列的几何参数为：1000 nm的高度、260 nm的底径和间距。研究表明，与平面电池相比，具有 PDMS 纳米锥阵列的钙钛矿电池实现了光吸收增强。此外，作者发现PCE可以进一步提高到23.6%，这归因于光吸收增强导致Jsc 提高了1.2 mA/cm2 。 图5. 平面和具有前PDMS纳米锥阵列的钙钛矿电池性能比较 总之，作者证明了ML可用于帮助开发未合成的PSC以实现高PCE。作为示范，5种未知钙钛矿预测和测量之间的带隙比较显示了相对误差小于2%的一致性。此外，Jsc 和Voc 值也可用于电池性能评估和目标选择。 在实验中，作者确定了最佳钙钛矿(FAPbI3 )0.95 (MAPbBr2.8 Cl0.2 )0.05 ，制备的器件PCE可达22.5%，其中Jsc 、Voc 和FF值分别为24.6 mA/cm2 、1.11 V和82.4%。作者通过ML预测、测量和光学模型之间证明了Jsc 值的一致性，同时ML预测也显示了与测量Voc 值的一致性。 进一步，作者通过抗反射PDMS纳米锥阵列进行光管理设计将效率进一步提高到23.6%，这归因于光吸收增强导致Jsc 提高了1.2 mA/cm2 。在不封装的情况下，与(FAPbI3 )0.95 (MAPbBr3 )0.05 PSC相比，(FAPbI3 )0.95 (MAPbBr2.8 Cl0.2 )0.05 PSC的器件稳定性在600小时内显著改善。因此，这项研究证明了通过ML和光管理的联合策略开发未知高效钙钛矿太阳能电池的方法和可行性。 Machine learning enabled development of unexplored perovskite solar cells with high efficiency, Nano Energy https://www.sciencedirect.com/science/article/pii/S2211285522004724
