人工智能加速先进钙钛矿太阳能技术的材料发现

快速阅读: 据《太阳能日报》称，北京大学团队开发出预测钙钛矿电子特性的机器学习模型，准确率高，助力高效、环保太阳能电池研发。

据新华社报道，7月30日，日本东京，北京大学及其深圳研究生院合作团队开发出一种机器学习模型，能够快速准确预测卤化物钙钛矿的关键电子特性。卤化物钙钛矿是一种重要的下一代太阳能电池材料，具有优异的光伏性能、易制造和低成本等特点。

研究团队重点关注导带最小值（CBM）、价带最大值（VBM）和带隙能量等关键参数，以简化寻找最佳化合物的过程。目前，单结太阳能电池的光电转换效率（PCE）已超过27%，而叠层太阳能电池则超过30%。然而，铅的毒性和稳定性问题仍是需要解决的挑战。

为提高预测效率，研究人员采用了极端梯度提升算法（XGB）构建预测模型，用于估算无机和混合卤化物钙钛矿的带结构特征。结果显示，该模型在使用Heyd-Scuseria-Ernzerhof（HSE）泛函时，测试集上的导带最小值R值为0.8298，价带最大值为0.8481，带隙预测为0.8008。当使用Perdew-Burke-Ernzerhof（PBE）泛函进行更广泛的数据集分析时，模型的R值达到0.9316，平均绝对误差（MAE）仅为0.102 eV。

此外，SHAP分析揭示了哪些化学和结构特征最影响电子能级，为设计性能更优的钙钛矿提供了指导。这种方法不仅加快了发现速度，还提供了一种环保且经济的传统方法替代方案。

展望未来，研究人员希望结合浅层机器学习模型的可解释性和神经网络的深度，以进一步完善材料发现。他们的方法在开发更高效率、稳定性和环境安全性的下一代太阳能技术方面具有巨大潜力。

(以上内容均由Ai生成)