基于机器学习的钙钛矿太阳能电池短路电流密度预测

摘要

【目的】钙钛矿太阳能电池凭借高效的光电性能和低成本优势成为光伏研究热点，但其短路电流密度(J_sc)受材料组成、器件结构和工艺参数等多因素耦合影响，传统试错方法难以系统优化.该文旨在借助机器学习方法建立精确的J_sc预测模型，识别关键影响因素，助力器件性能优化与结构设计.【方法】基于471组钙钛矿器件实验数据，采用独热编码等方式对结构与工艺特征进行预处理，构建2 070维结构化数据集.选用岭回归、随机森林回归、梯度提升树（XGBoost）与K近邻回归4种典型回归模型进行建模，采用五折交叉验证评估预测性能.模型性能采用平均绝对误差（MAE）和决定系数（R²）进行评估，并结合SHAP方法解释特征重要性.【结果】结果显示，XGBoost模型在精度和稳定性上表现最优，测试集MAE为0.06 mA⋅cm^-2,R²为0.81.SHAP分析揭示溶剂混合比例、钙钛矿带隙、热退火温度、电子传输层厚度等为J_sc的主要影响因素.其中溶剂工程表现出显著正向贡献，验证其在晶体成膜与载流子传输中的关键作用.【结论】该文构建的机器学习建模与解释框架可有效预测钙钛矿器件性能，并明确关键控制参数，为器件工艺优化提供数据支持与理论依据.数据驱动方法在光伏器件性能调控中具有广泛应用前景，未来可拓展至多目标优化与物理特征融合等更复杂任务中.

关键词

钙钛矿太阳能电池 / 机器学习 / 短路电流密度 / XGBoost