近日，厦门大学beat365官方网站李澄副教授、李琳教授、陈孟瑜助理教授等人在一区TOP期刊《Journal of Energy Chemistry》（影响因子13.1）杂志上发表题为“Exploring device physics of perovskite solar cell via machine learning with limited samples”的研究成果，提出了一种数据扩增方法，旨在通过有限的样本量利用机器学习设计和优化钙钛矿太阳能电池（perovskite solar cells, PSCs）的结构和性能。这项工作主要分为三个部分：

首先，面对样本量有限的挑战，该团队利用特征掩模（Feature Mask, FM）技术扩增样本量，并结合基于注意力机制的挤压-激励残差网络（squeeze-and-excitation residual network, SEResNet）模型实现了对功率转化效率（power conversion efficiency, PCE）的准确预测，其均方根误差（root mean squared error, RMSE）仅为0.833%，优于现有的传统机器学习模型，达到了实际可用的水平。

其次，该研究团队使用排列重要性（permutation importance, PI）算法展示了本模型的可解释性，并据此分析得到了影响PCE的重要特征参数。借助这一模型能够高效进行高通量预测实验，有利于挖掘PCE与化学成分、器件结构之间的复杂关系，深化理解对PSCs性能影响的因素，更有助于为未来的材料设计与性能优化提供数据支撑。

再者，通过一系列实际的太阳能电池制备实验，研究团队验证了模型预测的PCE趋势与实验结果高度一致，证明了该机器学习模型在实际应用中的有效性和可靠性。

这项工作的创新之处不仅在于提出了一种有效应对有限样本挑战的机器学习方法，还在于通过结合优化的机器学习技术，显著提升了PSCs性能预测的准确度，为PSCs的研究与开发提供了新的思路。

图 基于FM方法和PI算法的SEResNet模型的架构。
(a) 基于FM方法的SEResNet (FM-SEResNet) 模型模式。 (b) PI算法计算流程简图

该项工作由李澄副教授、陈孟瑜助理教授团队和李琳教授团队合作完成，李澄副教授、李琳教授、陈孟瑜助理教授为论文通讯作者，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（2022YFF0609504），国家自然科学基金（61974126, 51902273, 62005230, 62001405），福建省自然科学基金杰出青年基金项目（2021J06009）和厦门大学南强拔尖人才计划资助。

相关课题组基于机器学习方法开展新型半导体光电器件性能预测及优化设计研究，积累了丰富的科研经验，已成功使用机器学习方法预测III族氮化物发光二极管性能，发表一区TOP期刊1篇（Advanced Design of a III‐Nitride Light‐Emitting Diode via Machine Learning, Laser Photonics Rev. 2023, 17, 2300113.），公开相关国家发明专利3项（CN202211043486.8，CN202111203503.5，CN202111203505.4），具有厦门大学完全自主知识产权。

论文链接：https://www.sciencedirect.com/science/article/pii/S2095495624001979

图文：赵珊珊