近日，厦门大学电子科学与技术学院李琳教授、陈孟瑜助理教授、李澄教授等人在一区TOP期刊《ACS Sustainable Chemistry & Engineering》上发表题为“Machine Learning-assisted Analysis of Perovskite Solar Cell Long-term Stability under Multiple Environmental Factors”的研究成果，提出了一种基于机器学习的方法，用于分析影响钙钛矿太阳能电池(PSCs)长期稳定性的关键因素。
PSC在过去十年中取得了重大进展。然而，长期稳定性差是PSC面临的主要挑战，这阻碍了其大规模商业化。传统上，为了优化复杂的影响寿命的参数主要依赖于试错实验方法，这种方法耗时且需要大量资源。考虑到这些影响因素的复杂性，从巨大的参数空间和相互耦合特性来看，迫切需要有效的研究策略和方法来优化PSC的长期稳定性，加快其商业化进程。已有不少研究展示了利用机器学习(Machine Learning, ML)通过大量的实验数据和模拟数据来分析钙钛矿材料的性能和行为，提高了速度和准确性。
厦门大学电子科学与技术学院李澄教授、李琳教授、陈孟瑜助理教授等提出了一种基于ML的方法，用于分析影响PSC长期稳定性的关键因素。该方法引入多头注意力(Multi-Head)机制，有效挖掘多种输入数据的内在联系，包括外部环境参数与内部结构参数。整个研究主要分为四个部分：
首先，研究团队提出了一种基于Multi-Head机制的ML方法，用以同时处理多种影响PSC稳定性的外部与内部参数。结合挤压激励残差网络(SEResNet)，该方法实现了较高的预测精度，相关系数(R²)达到 0.972，Pearson 相关系数(r)为 0.986。
其次，研究团队应用SHapley Additive exPlanations (SHAP)算法，识别影响PSC稳定性的关键因素，即外部环境参数和内部结构参数。基于约2000个PSC器件的高通量预测，深入分析了这些关键因素之间的交互作用，有助于多维度展示其对器件稳定性的影响。
随后，研究团队开展了器件寿命实验，以验证模型预测结果的可靠性。通过一系列PSC器件的制备与性能测试，验证了模型预测的PSC寿命趋势与实验结果之间具有高度一致性，进一步印证了该ML模型在实际应用中的有效性与准确性。
最后，研究团队预测了在85 ºC和85%相对湿度下，具备最优长期稳定性的PSC体系结构。本研究的创新之处不仅在于展示了ML在预测器件稳定性与提取关键参数方面的巨大潜力，也在于其通过融合先进的ML技术，显著提升了PSC性能预测的准确性，为实现长期稳定的PSC器件提供了新的设计思路与研究路径。
图1. 基于Multi-Head机制和SHAP算法的SEResNet模型的架构。(a) 基于Multi-Head机制的SEResNet (Multi-Head SEResNet)模型模式。 (b) SHAP算法计算流程简图。
该研究工作以“Machine Learning-assisted Analysis of Perovskite Solar Cell Long-term Stability under Multiple Environmental Factors”为题发表在一区期刊ACS Sustainable Chemistry & Engineering 上。该项工作由李琳教授团队和陈孟瑜助理教授、李澄教授团队合作完成，2020级博士研究生赵珊珊为该工作第一作者。研究工作得到科技部国家重点研发计划（2023YFB3611203），国家自然科学基金（62001405），福建省自然科学基金（2024J01055）。
文章信息
Machine Learning-assisted Analysis of Perovskite Solar Cell Long-term Stability under Multiple Environmental Factors. Shanshan Zhao, Sijia Zhou, Zhongli Guo, Hongqiang Luo, Zhuoying Jiang, Na Lin, Mengyu Chena*, Lin Li*, Cheng Li*. ACS Sustainable Chem. Eng., 2025.
DOI: 10.1021/acssuschemeng.5c01361
