近日，西南交通大学前沿科学研究院黄鹏研究员、北京理工大学物理学院张用友副教授带领的团队在FAPbI₃钙钛矿太阳能电池的光学结构优化中取得新的进展。相关成果“Machine Learning-Enabled Optical Architecture Design of Perovskite Solar Cells”发表在The journal of physical chemistry letter上（JCR Q1，中科院二区，影响因子：5.7）。

【前言】

近年来，有机-无机杂化钙钛矿材料因其优异的光电特性而备受研究人员的关注，这些特性包括高消光系数、长载流子寿命和较浅的缺陷能级等。目前，研究人员主要通过化学方法，研制新型添加剂或界面传输层材料来提高钙钛矿薄膜的载流子的传输能力。虽然有效的钝化方法使得单结钙钛矿太阳能电池（PSCs）的功率转换效率（PCE）已超过26％，但是却与Shockley-Queisser理论极限~33%具有较大差距。因此想要进一步提高PSCs的效率，需要从光学结构等方面进一步研究优化。

【工作内容】

该工作利用串联神经网络(TNN)与高通量模拟计算相结合的方法，通过优化周期性金字塔光学结构实现了电池效率的进一步提升。神经网络具有很强的学习能力，它能够得到最佳效率对应的光学结构参数，即各层材料的厚度以及金字塔的倾角和周期。优化后的金字塔结构PSCs，效率从18.8%提升到了28.4%，同时该电池能够与硅基太阳能电池形成串联电池，为钙钛矿/晶硅叠层太阳能电池的发展提供了一定的理论基础。

【小结】

本工作利用神经网络与模拟计算相结合的方法，计算并训练了8000组数据，通过该方法优化钙钛矿太阳能电池的金字塔光学结构能够有效地提高效率，最高可达28.4%。这表明了基于高通量模拟计算的神经网络逆设计，可以有效地优化和设计光学结构，有可能为未来设计钙钛矿/晶硅硅叠层太阳能电池结构建立一个标准范例。

原文链接：https://doi.org/10.1021/acs.jpclett.4c00320