Prediction of Efficiency for KSnI3 Perovskite Solar Cells Using Supervised Machine Learning Algorithms

Der Artikel untersucht den Einsatz überwachter maschineller Lernalgorithmen, um die Effizienz von KSnI3-Perowskit-Solarzellen vorherzusagen. Zunächst werden die globale Energienachfrage und die Notwendigkeit nachhaltiger Alternativen diskutiert, wobei der Schwerpunkt auf Perowskit-Solarzellen (PSCs) als hervorragende Quelle erneuerbarer Energien liegt. Die Autoren gehen den Herausforderungen und dem Potenzial bleifreier PSCs nach, insbesondere solcher, die auf Zinn (Sn) und Germanium (Ge) als Bleialternativen basieren. Die Studie kuratiert einen Datensatz von 40.845 Datenpunkten für KSnI3-basierte PSCs, der durch die Simulation verschiedener Parameter mittels SCAPS-Software generiert wurde. Fünf verschiedene Regressionsalgorithmen werden angewandt, um den Wirkungsgrad (Power Conversion Efficiency, PCE) der Solarzellen vorherzusagen, wobei Random Forest Regression (RFR) die beste Genauigkeit zeigt. Das RFR-Modell wird dann verwendet, um die PCE von KSnI3-basierten PSCs mit unterschiedlichen Konzentrationen von Defekten, Dotierungsmitteln und Schichtdicken vorherzusagen und zu validieren. Die Ergebnisse zeigen eine hervorragende Übereinstimmung zwischen den prognostizierten und den tatsächlichen Werten, was das Potenzial des maschinellen Lernens bei der Optimierung der Leistung von Solarzellen unterstreicht.