科學通報AI入門系列 | 揚州大學丁建寧團隊：機器學習助力鈣鈦礦太陽能電池研究迎來“智能升級”

在“雙碳”背景下，鈣鈦礦太陽能電池（PSCs）憑借制備工藝簡單、光電轉換效率高、可疊層集成及柔性兼容等顯著優勢，成為光伏領域的研究熱點。然而，其商業化應用仍受限于材料穩定性不足、工藝可控性有限及封裝可靠性欠缺等關鍵瓶頸。

近些年，人工智能與機器學習技術憑借其強大的數據挖掘與預測能力，逐步應用于高效率、高穩定性鈣鈦礦光伏器件的研發全流程。但機器學習在鈣鈦礦光伏領域的現有研究仍呈現“散點化”特點，存在實驗與產線數據壁壘、模型跨尺度遷移能力不足、可靠性預測精度受限、復雜體系缺乏多目標優化算法等問題，數據孤島、精度受限與尺度差異等挑戰仍是機器學習驅動鈣鈦礦光伏規模化亟待突破的關鍵。

近日，揚州大學碳中和技術研究院丁建寧、李綠洲團隊在《科學通報》撰寫評述文章，從PSCs的功能層材料創新、制備工藝優化與器件性能解析三個維度，系統綜述機器學習在PSCs的研究進展，并進一步展望了機器學習在疊層太陽能電池智能協同設計、封裝工藝數字化等方向的應用前景，為推動鈣鈦礦光伏技術從實驗室走向規模化提供理論參考與實踐指引。

圖文速覽

圖1機器學習驅動鈣鈦礦吸光層材料篩選. (a) 研究二維有機無機雜化鈣鈦礦力學性質的工作流程。(b)通過化合物集合中的每一類待篩選的A、B和X原子的比例進行鈣鈦礦組分篩選過程可視化。(c) Cs/MA/FAPbI3（左圖）和Cs/MA/FASnI3I3（右圖）的三元等高線圖，顯示固定Pb=1，I=3和Sn=1，I=3時不同Cs/MA/FA比例的預測帶隙。(d)自變量與帶隙的相關矩陣

圖2機器學習輔助傳輸層材料篩選 . (a) 用于構建數據庫和訓練 / 評估預測機器學習模型的工作流程。 (b) t 分布隨機鄰域嵌入降維方法 (t-SNE) 對復雜數據集的分析。 (c) 機器學習指導尋找具有摻雜電子傳輸層的高效 PSCs

圖3 機器學習聚焦工藝優化. (a) 具有概率約束的PSCs順序學習優化方案。(b) 全自動旋涂平臺（SPINBOT）的拍照，特點是：1.四軸運動的機械臂（X、Y、Z、R）；2.液體處理移液器；3.用于基板搬運的抓手；4.微型旋涂機；5.移液器尖端；6.儲存液的96孔酶標板和反溶劑；7.承運人；8.熱板。(c) 通過機器學習推進氣相沉積PSCs

圖4機器學習推動鈍化策略. (a) RE-RCV機器學習模型對篩選出的小分子進行構型和概率預測。(b) 機器學習輔助PSCs界面鈍化材料的篩選。(c) BTR-Cl、BTR-Br和BTR-I的重要特征對VOC預測正負值的具體貢獻

圖5機器學習預測器件性能. (a) 基于擴展數據集的線性回歸預測算法的20個參數權重。(b) 甲基銨三碘鉛（MAPbI3）降解過程中光電演化示意圖，560 nm光透過薄膜的透射率增加。(c)通過Multi-Head SEResNet（多頭擠壓激勵殘差網絡）模型預測，PSC組成表現出最佳的穩定性。(d)經過三輪的迭代優化過程器件效率的演化

文章信息

王愛麗, 張浩然, 杜開懷, 李綠洲*, 丁建寧*. 機器學習在鈣鈦礦太陽能電池的應用研究進展. 科學通報, 2026, doi: 10.1360/CSB-2025-5719

轉載、投稿請留言

| 關注科學通報 | 了解科學前沿