近日，我院本科生撰写的论文在英国皇家化学会（RSC）旗下期刊Journal of Materials Chemistry A (SCI Q1，IF=14.5)上发表，题为“机器学习助力推进气相沉积钙钛矿太阳能电池发展”(“Advancing vapor-deposited perovskite solar cells via machine learning”)。该论文报道了新型钙钛矿太阳能电池器件方面的最新进展，被选入该期刊2023 Hot Papers Collection。武汉大学电气与自动化学院2020级本科生王佳政为论文第一作者，2020级本科生戚昱辰为本文第二作者，侯绍聪教授为通讯作者，武汉大学电气与自动化学院是第一完成单位。

近年来，钙钛矿太阳能电池（PSCs）因其优异的性能和低成本而受到学术界和工业界的广泛关注。其主要制备途径是通过溶液工艺和气相沉积，溶液工艺法制备出的电池表现出破纪录的25.7%的光电转换效率（PCE）和超过2000小时的T80寿命，但对于精确控制以米级为规模和不同批次的钙钛矿结晶仍然是一个挑战。气相沉积的优点是大面积模块制备的潜力大，易于与串联太阳能电池集成，并与现有的工业制造技术兼容。目前关于气相沉积PSC的工作主要依靠试错实验，难以寻找实验参数间的微妙联系，使得气相沉积PSC的PCE相对滞后。因此，研究者提出了机器学习辅助分析及设计气相沉积钙钛矿太阳能电池方法，通过合理的数据提取构建气相沉积PSCs的数据库，并通过模型处理和特征工程构建了性能良好、精度高和通用性强的随机森林（RF）机器学习模型，可以准确预测多种结构及工艺参数的气相沉积PSCs的PCE、Jsc、Voc和FF光伏参数。研究者应用Shapley Additive Explanations（SHAP）算法来探索巨大变量空间中每个特征的关联性，大大缩短后期研究者的实验试错周期。

（机器学习过程示意图）

此外，研究者系统地探索了材料成分、蒸发压力和退火温度，经过对多维变量的详细筛选，课题组提出了一个最佳的器件结构及其关键的制造条件，预测最高的PCE为26.1%，这超过了迄今为止报告的最高的效率记录。本研究为PSC以及其他新兴光伏技术的工业化生产提供了一条有希望的途径，同时提出的新型交叉学科的研究方法展示了其探索新型光伏电池解决方案的巨大潜力。

该研究得到了国家自然科学基金和和广东省基础与应用基础研究基金的支持，本科生团队得到了2023年大学生创新创业训练计划项目（指导教师：侯绍聪教授）的支持与帮助。

长期以来，学院引导、鼓励本科生提早进入课题组与实验室，本科期间打好科研基础。近年来，逐步探索新生入校参观实验室、班主任科研培育、科研启蒙讲座、校企联合共建实习实践基地等科研导航计划，鼓励学生在创新中开拓眼界、激发潜能、培养科研思维。

论文链接：https://doi.org/10.1039/D3TA00027C

（供稿：王佳政 审稿：上官海兰、侯绍聪、张晗）