近日，我院碳中和与新能源研究院/电子信息学院科研团队在Wiley旗下国际期刊Small发表研究论文，论文题为“Accelerating the exploration of top interface passivators via machine learning for high-performance perovskite solar cells”。
本工作由朱智康、周志旭共同第一作者完成，臧月、严文生为通讯作者。研究聚焦钙钛矿太阳能电池（PSCs）上界面钝化材料“候选空间大、试错成本高”的痛点，提出一套架构感知（n-i-p/ p-i-n）的机器学习加速筛选框架，实现从文献数据建库、模型训练、可解释性解析到虚拟筛选与实验验证的一体化闭环。
在该研究中，团队首先基于2017–2024年公开文献构建了面向顶界面铵盐钝化的高质量数据库，并按 n-i-p / p-i-n 器件架构分别建模；随后系统评估多种“分子表征（指纹/描述符）—算法”组合，确定256-bit Morgan指纹+XGBoost（n-i-p）与RDKit描述符+SVR（p-i-n）的最优方案，并进一步引入SHAP可解释性分析量化揭示钝化剂浓度、分子量、极性与卤素组成等因素对效率增益的关键作用与合理区间；在此基础上开展高通量虚拟筛选并给出候选与最佳浓度组合，最终以ChI在Cs0.05FA0.95PbI3 p-i-n 器件上完成实验验证，实现预测与实测高度一致的性能提升，从而形成“数据—模型—解释—筛选—验证”的闭环加速范式。