科学通报AI入门系列 | 扬州大学丁建宁团队：机器学习助力钙钛矿太阳能电池研究迎来“智能升级”

在“双碳”背景下，钙钛矿太阳能电池（PSCs）凭借制备工艺简单、光电转换效率高、可叠层集成及柔性兼容等显著优势，成为光伏领域的研究热点。然而，其商业化应用仍受限于材料稳定性不足、工艺可控性有限及封装可靠性欠缺等关键瓶颈。

近些年，人工智能与机器学习技术凭借其强大的数据挖掘与预测能力，逐步应用于高效率、高稳定性钙钛矿光伏器件的研发全流程。但机器学习在钙钛矿光伏领域的现有研究仍呈现“散点化”特点，存在实验与产线数据壁垒、模型跨尺度迁移能力不足、可靠性预测精度受限、复杂体系缺乏多目标优化算法等问题，数据孤岛、精度受限与尺度差异等挑战仍是机器学习驱动钙钛矿光伏规模化亟待突破的关键。

近日，扬州大学碳中和技术研究院丁建宁、李绿洲团队在《科学通报》撰写评述文章，从PSCs的功能层材料创新、制备工艺优化与器件性能解析三个维度，系统综述机器学习在PSCs的研究进展，并进一步展望了机器学习在叠层太阳能电池智能协同设计、封装工艺数字化等方向的应用前景，为推动钙钛矿光伏技术从实验室走向规模化提供理论参考与实践指引。

图文速览

图1机器学习驱动钙钛矿吸光层材料筛选. (a) 研究二维有机无机杂化钙钛矿力学性质的工作流程。(b)通过化合物集合中的每一类待筛选的A、B和X原子的比例进行钙钛矿组分筛选过程可视化。(c) Cs/MA/FAPbI3（左图）和Cs/MA/FASnI3I3（右图）的三元等高线图，显示固定Pb=1，I=3和Sn=1，I=3时不同Cs/MA/FA比例的预测带隙。(d)自变量与带隙的相关矩阵

图2机器学习辅助传输层材料筛选 . (a) 用于构建数据库和训练 / 评估预测机器学习模型的工作流程。 (b) t 分布随机邻域嵌入降维方法 (t-SNE) 对复杂数据集的分析。 (c) 机器学习指导寻找具有掺杂电子传输层的高效 PSCs

图3 机器学习聚焦工艺优化. (a) 具有概率约束的PSCs顺序学习优化方案。(b) 全自动旋涂平台（SPINBOT）的拍照，特点是：1.四轴运动的机械臂（X、Y、Z、R）；2.液体处理移液器；3.用于基板搬运的抓手；4.微型旋涂机；5.移液器尖端；6.储存液的96孔酶标板和反溶剂；7.承运人；8.热板。(c) 通过机器学习推进气相沉积PSCs

图4机器学习推动钝化策略. (a) RE-RCV机器学习模型对筛选出的小分子进行构型和概率预测。(b) 机器学习辅助PSCs界面钝化材料的筛选。(c) BTR-Cl、BTR-Br和BTR-I的重要特征对VOC预测正负值的具体贡献

图5机器学习预测器件性能. (a) 基于扩展数据集的线性回归预测算法的20个参数权重。(b) 甲基铵三碘铅（MAPbI3）降解过程中光电演化示意图，560 nm光透过薄膜的透射率增加。(c)通过Multi-Head SEResNet（多头挤压激励残差网络）模型预测，PSC组成表现出最佳的稳定性。(d)经过三轮的迭代优化过程器件效率的演化

文章信息

王爱丽, 张浩然, 杜开怀, 李绿洲*, 丁建宁*. 机器学习在钙钛矿太阳能电池的应用研究进展. 科学通报, 2026, doi: 10.1360/CSB-2025-5719

转载、投稿请留言

| 关注科学通报 | 了解科学前沿