利用机器学习预测无铅双吸收层钙钛矿太阳能电池以提高光电转换效率

为日常生活带来更清洁的太阳能

太阳能板承诺提供廉价且清洁的电力，但许多当今最高效的新一代设计仍依赖铅，这引发了关于毒性和长期稳定性的担忧。本研究通过设计一种既无铅又能高效捕光的太阳能电池，探索了一条更安全的路线，并展示了计算模拟与机器学习如何协同工作，以指导未来你可能在屋顶或便携充电器上见到的器件开发。

两层协同工作的光捕获结构

研究人员集中于一种称为无铅双钙钛矿的特殊材料类别，这类材料可被调控以吸收太阳光的不同颜色，同时避免使用有毒元素。他们不是采用单一吸光薄膜，而是堆叠两层吸收层：顶层偏好较高能量（偏蓝）的光，底层则吸收通过的较低能量（偏红）的光。这种“半串联”或双吸收层设计使电池能够在不需像完整串联太阳能板那样复杂的电流匹配和连线的情况下，收获更宽的太阳光谱范围。

构建高性能的无铅堆栈

为设计该器件，团队使用一种被广泛采用的太阳能电池模拟器来测试多种虚拟结构。表现最佳的布局在双吸收层两侧夹有精心选择的电荷传输层，这些传输层像单向通道一样引导电荷。在朝阳侧，一层SnS2引导电子并阻挡空穴；在背侧，一层Sb2S3则相反，收集空穴并阻挡电子。顶层吸收体由Cs2TiCl6制成，具有较宽的带隙，位于较窄带隙的Cs2AgBiI6层之上，因此光在穿过堆栈时分层被吸收。金或其他高功函数金属作为背电极，有助于电荷高效离开器件。

调节厚度、缺陷与掺杂

研究表明，层内的细微参数会显著影响电池性能。若顶层吸收体太厚，会阻碍光到达底层吸收体，从而降低电流。若任一吸收层包含大量缺陷，电荷在被收集前会复合，造成能量损失。模拟揭示了最佳区间：一层约100纳米的薄而高质量的Cs2TiCl6置于一层约1000纳米、低缺陷的较厚Cs2AgBiI6之上。调整每个吸收层及界面的掺杂（带电原子浓度）可产生内部电场，帮助分离电子与空穴。当体相与界面缺陷保持较低且掺杂调谐良好时，虚拟器件可达到约32.7%的光电转换效率，超过相同材料的可比较单层版本。

让算法梳理设计选择

逐一人工探索厚度、缺陷水平和掺杂的所有可能组合既缓慢又低效。为加速筛选，作者将两千多个模拟案例输入若干机器学习模型。这些模型学习物理参数变化如何影响关键光伏输出，如效率、开路电压、电流和填充因子。在测试选项中，一种称为极端梯度提升（XGBoost）的方法给出了最准确的预测，与模拟器结果高度一致。通过一种称为SHAP的分析技术，团队还对各特征的重要性进行了排序，发现顶层吸收体的掺杂与厚度以及底层吸收体和界面的缺陷水平在决定性能方面起最大作用。

从计算设计到现实面板

对普通读者而言，核心信息是未来有可能在性能高效与化学更安全之间取得兼顾。本工作并未构建实体器件，而是绘制出无铅双层钙钛矿堆栈在何种条件下能够与当今最佳含铅设计竞争的地图。通过将基于物理的详细模拟与机器学习结合，研究提供了一种设计指南，供实验团队针对最有前景的层间组合和制备目标集中精力，从而使更清洁且更高效的太阳能组件更接近日常应用。

引用: Elewa, S., Areed, N.F.F., Yousif, B. et al. Machine learning prediction of dual absorber lead-free perovskite solar cells for boosting PCE. Sci Rep 16, 16027 (2026). https://doi.org/10.1038/s41598-026-51970-5

关键词: 无铅钙钛矿太阳能电池, 双吸收层太阳能电池, 机器学习, 光伏, 光电转换效率