机器学习在太阳能电池材料筛选中的应用

什么是机器学习

Machine Learning is the science (and art) of programming computers so they can learn from data.¹

本项目部分成果介绍

基于机器学习的CZTS太阳能电池高通量筛选研究

铜锌锡硫化物（CZTS）因其优异的光吸收性能、低成本和无毒元素组成，被认为是未来薄膜太阳能电池的理想材料。尽管其光电转换效率（PCE）已超过14%，但仍低于理论极限。为提高其效率，本研究结合密度泛函理论与机器学习方法，加速太阳能电池材料的筛选。

研究通过替换CZTS超胞中的不同元素，构建了263种CZTS的PBE带隙数据集。通过符号回归，建立了氧化态、离子半径、电负性与带隙之间的关系，帮助预测材料带隙。

结合XGBoost、LightGBM等机器学习模型，决定系数达到了0.93的预测精度。筛选出的54种材料中，Ag2SrSnSe4在缺陷特性方面表现突出，是未来高效太阳能电池的有力候选者。

本研究为CZTS材料的筛选提供了理论支持，并通过机器学习加速了理想材料的挖掘（J. Phys. Chem. Lett. 2024, 15, 9795-9802）。

通过机器学习框架加速非绝热动力学模拟

非绝热耦合（NA Coupling）在光物理和光化学过程中扮演重要角色，但由于计算复杂，它限制了大规模系统的模拟。为了解决这一问题，本研究通过结合正弦矩阵、MBTR、SOAP等描述符与机器学习算法（如XGBoost、LightGBM、随机森林），成功实现了高效且精确的NA Coupling预测。

以钙钛矿材料MAPbI3为例，研究发现正弦矩阵与LightGBM的结合效果最佳，能准确预测NA Coupling（R²高达0.87）。这一方法大幅减少了计算时间，同时保持了高精度。

研究还结合DFT计算与机器学习预测的NA Coupling，模拟了电子-空穴复合过程，结果与实验数据吻合。该研究为加速非绝热动力学模拟提供了新思路，助力光电材料的优化（J. Phys. Chem. Lett. 2022, 13, 10734-10740）。