AFM：通过增强的机器学习工作流预测和精细筛选高效钙钛矿太阳能电池的小分子钝化材料
NavyLIu
2025-07-12
界面工程对于提高钙钛矿太阳能电池（PSC）的效率和稳定性至关重要，但识别有效钝化材料的传统实验方法是劳动密集型和耗时的。利用机器学习（ML）的强大功能，北京大学周航、清华大学Tang Man-Chung提出了一种鲁棒且可解释的工作流，用于精细筛选小分子钝化材料。
本文要点：
1) 通过整合多层特征工程，包括结构、物理和电子特性，并采用先进的ML模型，苯并二噻吩-三噻吩-若丹宁衍生物（BTR-Cl）被确定为钙钛矿/空穴传输层（HTL）界面的高效钝化剂。ML工作流的精细筛选能力能够精确预测BTR-Cl的卓越性能。
2) 实验验证表明，BTR-Cl优化了能级排列，减少了表面缺陷，并显著抑制了非辐射复合，在1.186 V的开路电压（VOC）下，功率转换效率（PCE）达到25.36%。此外，BTR-C1有效抑制了卤素离子迁移，提高了器件稳定性。
Qiang Lou et.al Prediction and Fine Screening of Small Molecular Passivation Materials for High-Efficiency Perovskite Solar Cells Via an Enhanced Machine Learning Workflow Adv. Functional Mater. 2025
https://doi.org/10.1002/adfm.202511549
版权声明：
本平台根据相关科技期刊文献、教材以及网站编译整理的内容，仅用于对相关科学作品的介绍、评论以及课堂教学或科学研究，不得作为商业用途。
