有機-無機雜化金屬鹵化物鈣鈦礦是一類由有機陽離子、金屬陽離子及鹵素陰離子構成的新型半導體材料.以該類材料為吸光層的鈣鈦礦太陽能電池(perovs-kite solar cells，PSCs)作為一種新興光伏技術，具有高光電轉換效率(power conversion efficiency,PCE)及進步提升效率的潛力，同時具備溶液加工溫度低、制備成本低、質量輕帶隙可調、光電子性能優異、可通過溶液工藝實現柔性器件制備等優勢，近年來受到廣泛關注[1~3].截至目前，單結PSCs的最高認證光電轉換效率已經突破27%,而疊層電池的最高認證光電轉換效率已達到34.6%[4].雖然PSCs憑借低成本、優異的光電轉換效率與性能的優勢，已經成為新型光伏技術領域中極具發展前景的研究方向之一，但從長遠產業化的角度來看，其最關鍵的問題是長期穩定性不佳 [5～8]. PSCs長期穩定性受很多因素影響，包括鈣鈦礦材料的結構組成、器件結構(尤其是多層界面)、環境條件、機械穩定性以及封裝工藝等.因此,解決長期穩定性的挑戰是多維度、多層次的，傳統的研究方法效率低且勞動密集，難以全面系統地對長期穩定性進行優化.在這種背景之下，人工智能(artificial intelligence,AI)技術正在材料領域嶄露頭角，并為PSCs解決長期穩定性挑戰問題提供一個新方法和契機:借助機器學習(machine learning，ML)、深度學習等AI技術，可從多尺度多維度視角對PSCs的長期穩定性問題進行分析預測，進而為提升器件長期穩定性提供更高效的方法和途徑.目前，AI技術已經在材料的選擇、帶隙預測和缺陷生成能的預估等方面應用，并且將在PSCs大規模制備過程的質量控制中展現出巨大潛力[9,10].本文關注AI輔助或者驅動的PSCs結構穩定性調控中的應用進展，并展望大模型在鈣鈦礦穩定性設計領域的潛在突破.
1、鈣鈦礦太陽能電池穩定性影響因素簡述
PSCs長期穩定性問題是其商業化的主要瓶頸,該問題的復雜性源于多種因素的共同影響.鈣鈦礦材料是一種結構為ABX3的晶體結構(圖1(a))[11];其材料組成是影響穩定性的內在因素.A位陽離子一般是一些有機一價陽離子，位于晶格的八面體的中心，其離子的尺寸與晶格匹配度對材料的穩定性至關重要，B位為二價金屬離子如Pb2、Sn2+等，其中Pb2具有生物毒性，而Sn2+的活性高，易與環境中的水和氧氣發生反應(圖1(b))導致材料降解[12].X位為鹵素離子，其半徑的不同會改變晶格參數，若混合比例分布不均會引起相分離(圖1(c)),進而影響電池的穩定性[13].
PSCs器件結構有正式(n-i-p)結構和反式(p-i-n)結構，均由鈣鈦礦層、電子傳輸層、空穴傳輸層等多層結構組成.界面處存在的缺陷與能級失配會成為載流子復合中心(圖1(d))，加速非輻射復合損失[14].若電子傳輸層與鈣鈦礦層的界面結合不緊密，會增大界面電阻,影響電荷提取效率;而空穴傳輸層與鈣鈦礦層的界面穩定性差，易引起空穴積累，導致界面處鈣鈦礦材料發生降解[15,16].
外界環境應力(如水、氧、光、熱)是影響PSCs穩定性的關鍵因素.水作為鈣鈦礦材料的破壞因素最為常見,因為水分子會與鈣鈦礦材料產生化學反應,破壞其晶體結構，使得材料分解成為有機胺和金屬鹵化物.氧分子會使鈣鈦礦中的低價金屬離子發生氧化反應，改變鈣鈦礦材料的化學組成和能帶結構.光照會加速鈣鈦礦材料的離子遷移和相分離，同時也會產生光生載流子，此時如果載流子不能及時被收集，則會引發光催化反應(圖1(e)),從而加速材料的降解[17,18].高溫會加速材料內的離子擴散和化學反應速率，導致材料內的結構穩定性變差，同時也容易導致封裝材料的老化，進一步降低器件對于環境的封裝能力.受到應力的影響而降低的長期可靠性也會影響PSCs的穩定性[19]此外，機械應力下的長期可靠性對太陽能電池穩定性的影響也不容忽視.在彎曲和擠壓的情形下,鈣鈦礦材料由于脆弱的特性很容易出現裂紋(圖1(f))，而裂紋的擴展會破壞材料的光電性能和電荷傳輸路徑[20]上述因素的多維度耦合將使得材料的穩定性規律難以通過傳統的實驗方法來進行高效分析,AI技術在多變量復雜系統中的數據挖掘、模式預測的特長則為針對性地解決上述問題提供了新的研究方向.
2、AI在結構穩定性調控中的應用路徑
調控PSCs的穩定性是一項系統的工程，需要從材料、界面、環境等方面統籌控制.AI通過ML、數據驅動建模、復雜系統的預測功能為PSCs結構穩定性調控提供了全新的思路，包括控制組分篩選、材料組成優化、界面控制、缺陷消除等.
2.1材料組分篩選
鈣鈦礦的材料化學組成是影響PSCs的本質因素，其配比和化學特性直接影響晶體的結構穩定、缺陷的形成和抗降解能力.在高通量篩選方面，許多案例已經展現出AI與材料組分篩選的高度融合，推動著鈣鈦礦材料開發的變革性發展.從材料體系維度來看，AI在鈣鈦礦組分方面的篩選覆蓋范圍廣泛且各有側重.針對經典ABX3型鈣鈦礦，在開展無鉛鈣鈦礦材料的篩選方面，通過電荷平衡和可形成性規則初步篩選超萬種材料，再以ML模型精準篩選，挖掘出大量適合于PSCs的無鉛鈣鈦礦材料，體現出ABX3型鈣鈦礦材料體系在環境友好型材料開發中的探索方向[21].有機-無機雜化鈣鈦礦材料方面，構建大規模的數據庫結合ML模型和篩選規則，從海量雜化鈣鈦礦中篩選出無毒穩定、帶隙適配的材料，解決了傳統篩選的局限性(圖2)[22].雙鈣鈦礦(A2B'B"X6)、二維層狀鈣鈦礦等體系也有對應的高通量研究;雙鈣鈦礦可形成的ML預測包括有機-無機雜化、純無機、二維等多種體系，體現了高通量在跨體系鈣鈦礦篩選中的通用性.
在篩選邏輯上，多數研究先構建數據集，融合高通量計算再經過特征工程，篩選關鍵特征借助ML模型訓練預測，最后高通量篩選出目標材料.但也存在特殊差異，不同體系篩選目標不同，ABX3型注重無鉛替代和穩定性評估;雜化鈣鈦礦聚焦帶隙適配、穩定無毒;雙鈣鈦礦關注于無鉛化、形成能和帶隙，并且模型與特征選擇因體系而異;二維鈣鈦礦篩選中,人工神經網絡(artificial neural network,ANN)在光電性能預測方面表現更優，體現了體系特征性對方法選擇性的影響.
2.2材料組成優化
針對組分穩定性的精準預測，AI可以通過ML和多特征建模來解析預測相穩定性、相圖和晶格容忍因子的關聯規律.眾多研究都聚焦于組分與穩定性的關聯,ML作為核心，通過離子半徑、電子結構、熱力學參數等多方面的特征參數整合打破傳統實驗低效的缺點.在金屬鹵化物鈣鈦礦薄膜研究中[23]，梯度提升(gradient boosted trees, GBT)模型將組分、工藝參數與穩定性相關聯;準二維體系通過追蹤PL光譜的動態變化來構建生長動力學[24]，這些均體現了多特征融合精準預測的共性.
不同的鈣鈦礦體系研究各有側重，對于金屬鹵化物鈣鈦礦，主要研究復雜環境下的穩定性規律.通過全自動化機器人平臺，可探究多陽離子鈣鈦礦在熱老化、光熱老化中的規律[23].準二維鈣鈦礦主要面臨多相混合的難題，針對PEA n Pb n I 3n+2 -FAPbI 3 體系，合成多比例2D:3D樣品并追蹤PL光譜，明確了n=2相的長期主導穩定性以及高溫退火對相穩定性的雙重影響[24];雜化鈣鈦礦則圍繞無毒穩定目標構建大規模數據庫，結合ML篩選帶隙適配，無Pb/Cd/Hg的穩定材料[22].AI不僅將數月實驗周期壓縮至數周乃至數天，更通過夏普利加性解釋(Shapley additive explanations,SHAP)等工具提升預測可解釋性.通過ML方法(密度泛函理論(density functional theory,DFT)與神經網絡勢函數相結合)對不同FA/Cs和I/Br分布的鈣鈦礦進行全局隨機表面行走(stochastic surface walking,SSW)優化,得到每種成分的最穩定結構,再計算相分離吉布斯自由能,以該能量為靶向屬性構建FAxCs1-xPb(IyBr1-y)3鈣鈦礦的全局相圖(圖3(a~c)).相圖中不同顏色區域直觀地表示了不同組分的相分離傾向 [25].因此,借助ML模型可快速預測整個體系的大范圍相圖,避免了對所有成分點進行昂貴的DFT計算.
AI在缺陷容忍度分析方面也普遍遵循從特征因素的提取到構建模型再篩選或預測的流程.針對ABO3型無機氧化物鈣鈦礦的研究中，在數據庫中利用符號分類開發了描述符分類模型，建立與氧空位缺陷形成概率的映射關系[26,27].研究無鉛雜化有機-無機鈣鈦礦時,將容忍因子、八面體因子、B位電負性作為核心特征，構建ML模型從五千多種未探索的無鉛雜化有機-無機鈣鈦礦中篩選低相變敏感性組分(圖3(d))[24].針對準二維鈣鈦礦，通過挖掘組分、相分布與缺陷之間的定量關系，揭示了n≠2相的高缺陷容忍以及n=2相的相變風險來指導組分的優化[24]通過AI來提取關鍵特征并構建合適的模型是分析缺陷容忍度的有效路徑，不同研究方法在邏輯上具有一致性.
AI通過高通量篩選、穩定性預測和缺陷容忍度分析，依托自主構建的材料數據庫(如Perovskite Data-base)，為鈣鈦礦材料組分的優化提供高效可靠的解決方案，推動了穩定性體系的開發進程
2.3界面工程
在PSCs的多層異質結中，界面是電荷分離與傳輸的重要節點，又是缺陷富集和降解反應的敏感部位.界面能級失配會引發電荷的復合，晶格失配產生的應力會促使界面層分離;缺陷的產生會降低PSCs的性能與效率[28].傳統的實驗方法對于界面的微觀結構與缺陷行為難以系統關聯地研究，AI技術利用建模來研究界面間復雜的聯系，能夠為界面的優化和缺陷的調控提供高效化的優化解決方法.
鈣鈦礦的帶隙是影響其光伏性能的關鍵參數.在模型選擇與性能方面，多種AI模型被用于鈣鈦礦相關參數的預測.極端梯度提升回歸模型(extreme gradient boosting,XGB)表現突出,Ye等人[29]針對鹵化物鈣鈦礦關鍵能帶屬性預測工作中就證實了該模型的優異性能(圖4(a)).隨機森林(random forest，RF)、貝葉斯優化(Bayesian optimization，BO)等模型也各有其側重，例如，RF模型在篩選界面修飾材料以優化能級匹配時(圖4(b))[30]，測試集具有較小的均方根誤差和較高的相關系數等優良特性，并且該模型的輸入特征不僅包含界面修飾分子的HOMO/LUMO能級、偶極矩、極性和分子尺寸等電子與結構參數，還納入了關鍵官能團信息以及與鈣鈦礦表面配位的不飽和位點類型，以器件的開路電壓損失為預測目標，通過學習大量分子特征與開路電壓損失樣本，識別出有利于能級梯度優化的分子結構特征，最終精準篩選出THEACl、PEACl等優質修飾材料;而BO算法則可以通過優化器件工藝間接實現界面能級匹配與應力緩解的預測優化，顯著提升器件性能和穩定性.除此之外，基于神經網絡、XGBoost、多層感知等的模型也在相關研究中得到應用,這種模型選擇的多樣性與適配性，為鈣鈦礦相關研究提供了有力工具.
在場景覆蓋層面上，AI模型的應用已經遍及鈣鈦礦器件的多個關鍵界面和工藝環節.在界面類型方面涉及了鈣鈦礦與空穴傳輸層、電子傳輸層和鈍化層的界面研究;研究角度則聚焦組分設計與工藝優化等方向[30~32].在空穴傳輸層材料的設計中，AI借助高通量實驗精準預測材料的HOMO能級是否與鈣鈦礦的VBM匹配，從而篩選出高效的空穴傳輸層材料[33,34].在陰離子鈍化層設計中，AI通過預測界面能級對齊與晶格應力緩解來提升器件的性能與穩定性[32,35];在器件工藝優化方面，BO算法可以間接優化界面能級匹配和薄膜應力分布[36]，這體現出AI模型應用的廣泛性.
不過，目前針對界面應力緩解的AI預測工作相對匱乏，現有研究更多的是通過能級匹配等手段間接體現對界面應力的作用.具體來看，兩類模型具有代表性，一個是利用ANN模型優化能級匹配，通過推薦適配的傳輸層材料減少晶格失配，間接緩解界面應力[37]另一個是利用RF模型篩選修飾材料，以填充鈣鈦礦表面缺陷、降低晶格畸變，輔助應力緩解[30].未來還需進一步豐富直接針對界面應力緩解的AI研究，以更好地指導PSCs的研發.
2.4缺陷調控
缺陷形成能和遷移勢壘能是評估材料是否易于被降解的重要參數之一.傳統的方法采用密度泛函理論計算來實現，雖然結果精確卻耗時很長.AI模型通過學習理論計算的數據，可實現缺陷參數的快速預測.
AI模型的應用覆蓋了鈣鈦礦缺陷形成能與遷移勢壘能預測的多個方面.在組分設計方面，核心方法是從源頭降低鈣鈦礦本征缺陷密度來提升穩定性，通過XGBoost模型預測不同鹵化物鈣鈦礦的缺陷形成能，可篩選出本征缺陷少的穩定體系，該方法直接解決了傳統鈣鈦礦本征缺陷過高、穩定性不足的問題[38];在界面鈍化劑選擇上，RF模型可從海量分子中篩選出能與鈣鈦礦表面缺陷形成高形成能復合物的鈍化劑，可針對性地解決界面缺陷密度高、非輻射復合速率快的痛點:通過RF模型篩選出的硫代乙酸鈉與未配位Pb+形成的復合物缺陷形成能高，能顯著降低界面缺陷密度與非輻射復合速率，有效提升界面穩定性(圖4(e))[39].在器件工藝優化方面，通過XGBoost模型分析工藝參數與缺陷遷移勢壘及器件效率衰減的關系，可指導制定界面鈍化方案[40].盡管AI模型計算效率高,但不同研究中模型的解釋性存在差異，部分研究通過SHAP等方法增強了模型解釋性，明確了關鍵影響特征(圖4(c))[40]而部分研究可能更側重預測結果應用，在解釋性方面有待加強.
密度泛函理論和分子動力學是解析界面電子結構和動態演化的重要工具手段.AI可以通過輔助建模顯著提高效率和廣度.在AI輔助DFT突破計算瓶頸方面，多種ML模型與DFT結合，可快速預測界面關鍵參數.RF模型被用于篩選空穴傳輸材料與鈣鈦礦的高界面結合能體系，不僅可以降低計算成本，還能篩選出高穩定性材料[41]，高斯過程回歸模型不僅能夠以上百個樣本的缺陷形成能與多能級躍遷數據為基礎，精準預測9種MAPbX化合物的數百種雜質并指導費米能級調控(圖4(d))，還能輔助預測雜質缺陷對載流子輸運的影響，為低缺陷風險摻雜提供依據[42];極端梯度提升回歸模型則助力無鉛雙鈣鈦礦界面電子結構預測，快速優化能級匹配，提升電子提取效率，加速無鉛鈣鈦礦的研發進程[43].AI可大幅減少DFT的重復計算量，將研究聚焦于高穩定性、高能級匹配度的體系，同時保留DFT的高精度優勢.
在AI輔助分子動力學(molecular dynamics,MD)擴展模擬方面，AI能突破MD的力場限制，預測長期界面動態行為.利用AI學習MD軌跡，將鈣鈦礦界面的空穴傳輸模擬尺度從短時間尺度擴展至100ns，篩選出的HTM使空穴遷移率提升至傳統材料的2倍，這一手段直接解決了短時間模擬無法精準評估空穴傳輸長期穩定性的痛點(圖4(f))[44];通過AI與MD結合，把離子遷移的模擬時間延伸至1000h,能夠有效解決短期模擬無法預判長期離子遷移引發PCE衰減的核心問題;預測出的低遷移率鈣鈦礦體系在長期實驗中PCE保持率達85%,遠高于對比體系的60%[45]. AI通過學習MD動態軌跡，能有效關聯界面動態演化與器件長期性能衰減，為界面優化提供有力手段.
盡管將AI與DFT、MD相結合在很大程度上提升了計算效率并拓展了可探索的參數空間，但在面向真實材料體系時仍存在不少瓶頸.其一，訓練數據通常局限于少數典型成分和結構窗口，當模型直接遷移到新型鈣鈦礦體系時，容易出現明顯的偏差，需要借助主動學習、遷移學習等策略不斷引入新的代表性樣本來修正模型.其二，基于機器學習的勢函數和各類代理模型在擬合總能量、缺陷形成能等標量物理量時往往表現優異，但對于界面復雜反應、離子遷移通道等強耦合多自由度過程，其泛化能力和可解釋性仍然有限.其三，實際器件工作環境中普遍存在雜質引入、應力作用、封裝缺陷等諸多非理想因素，而這些往往難以在理論模型中得到完整表征，因此相關預測結果有必要通過原位/準原位表征與壽命測試等實驗手段進行閉環驗證，以避免在過于理想化的計算框架下給出與實際應用脫節的結論.
在實驗層面，AI與自動化高通量平臺、貝葉斯優化等方法的深度結合，為PSCs穩定性研究提供了新的范式.通過數據融合策略與貝葉斯優化相結合，在文獻數據和新獲得實驗數據的基礎上構建統一模型，可以實現多元鹵化物鈣鈦礦成分穩定性的閉環優化，在有限實驗輪次內快速鎖定高穩定性配方區域[46]通過構建“robotic learning”平臺，進行全自動化制備與高通量老化測試，配合機器學習分析，可以得到多陽離子鈣鈦礦在不同溫度下出現穩定性反轉的規律[23].因此,AI不再僅僅是對既有數據的事后擬合，而是可以通過貝葉斯優化、主動學習等策略直接驅動制備、表征、建模和決策的實驗閉環，大幅縮短穩定性篩選周期，減少對人為經驗的依賴[47,48]
從多尺度協同建模的角度看，AI也正在逐步打通從原子尺度到器件尺度的穩定性研究鏈條.通過多尺度實驗設計，從材料薄膜到器件層面系統表征金屬鹵化物鈣鈦礦在不同應力條件下的失效行為，為構建跨尺度穩定性數據庫提供了范例[49].在原子與缺陷層面，基于第一性原理數據訓練機器學習力場，可對CsPbBr3晶界處離子遷移進行納秒尺度的分子動力學模擬并解析晶界結構對遷移通道和活化能的影響[50].在更宏觀的層面，將ML代理模型與器件/組件甚至建筑集成光伏的多物理耦合模擬相結合，有望在可接受的計算成本下完成對真實工況下溫度場、應力場與效率衰減的協同預測，為PSCs大規模應用場景中的穩定性評估提供工具支撐.
AI模型的精度依賴于訓練數據集的質量與規模，若數據集存在偏差或涵蓋范圍不足，可能影響預測結果準確性;且部分研究中，AI模型與DFT、MD的協同閉環雖已形成，但在模型解釋性方面，部分研究仍需加強，以更好地揭示AI預測結果背后的物理機制.針對一些復雜的多尺度界面行為，AI如何更高效地協同DFT與MD，實現從電子結構到動態演化的全流程精準輔助,相關研究還需進一步深入.
3、機遇、挑戰與未來展望
AI技術的應用在PSCs穩定性調控中已經表現出極為強大的潛力，從材料篩選到界面對接的角度均為PSCs實現商業化提供了新的解決方案，在實際落地和深度整合等方面依然面臨著不少挑戰的同時，也預示著突破發展的重大機遇.
受限于當前AI模型在PSCs中的應用水平，部分研究成果仍存在不足:在大數據及樣本不匹配上，由于穩定性大范圍長周期實測數據、多介質環境下降解數據難以獲取且周期較長，訓練數據量級小;此外，大多AI模型預估的物質參數依賴于理論推導或基于小量實驗，未經過大量工業化量產環境驗證，其中部分基于AI模型的材料優化雖然有效改善了材料的穩定性，但忽視了工藝的便利性，造成了實驗上最優解與實際工業應用場景的脫軌.
PSCs的降解本質上是一個多尺度多物理場的耦合作用復雜過程，而現有AI模型大多聚焦于單一尺度的單一任務，缺乏對降解路徑的完整解析，跨尺度耦合建模和多任務聯合建模的需求更加迫切.跨尺度建模需要相互補充，密度泛函理論計算數據格式與有限元分析熱分布的時空尺度差別較大，耦合作用機制有待進一步研究，未來還需要構建多任務聯合模型，以通過共享特征提取層來同時優化任務.
AI模型的驅動離不開數據，現階段PSCs領域數據割裂、數據格式各異等瓶頸亟待解決.一方面,現有公開數據庫多聚焦于材料組分、晶體結構和初始光電性能等靜態信息,而關于不同光/熱/電/濕度應力組合下的時序性能衰減、界面化學演化、形貌變化以及封裝失效等與長期穩定性高度相關的數據嚴重匱乏;另一方面，不同課題組在樣品制備工藝、環境應力條件、測試協議以及元數據記錄方面缺乏統一規范，使得跨團隊數據難以直接整合并用于訓練通用的AI模型.因此,數據缺乏標準化，來自不同研究組別間的實驗數據存在偏差，數據無法跨研究集成;缺少開源數據庫，如PerovskiteDatabase數據庫主要針對材料的結構和性能，缺乏降解過程中與穩態對應的動力學降解數據.因此,推動“材料組分-制備流程-環境要素-降解數據”全流程的數據集建立以及數據采集與標注數據集規范是打破數據瓶頸的關鍵所在.
參考文獻
1 Dong H, Ran C, Gao W, et al. Metal halide perovskite for next-generation optoelectronics: progresses and prospects.
2 Ahn N,Choi M.Towards long-term stable perovskite solar cells: degradation mechanisms and stabilization techniques.Adv Sci,2024,11:2306110
3 Green M A, Ho-Baillie A, Snaith H J. The emergence of perovskite solar cells. Nat Photon, 2014, 8: 506-514
4 Jia L, Xia S, Li J,et al. Efficient perovskite/silicon tandem with asymmetric self-assembly molecule. Nature,
5 Meng J,Gao Y,Hu J,et al. Deuterium-substituted cations enhance perovskite solar cell efficiency and stability.Joule,2025,9:102031
6 Xu X, Li S, Shan C,et al. Unraveling the interfacial homogeneity and bulk crystallization for efficient and stable perovskite solar cells via ionic liquids. Energy Environ Sci,2025,18:3407-3417
7 Liu C, Yang Y, Chen H,et al. Two-dimensional perovskitoids enhance stability in perovskite solar cells. Nature, 2024, 633: 359-364
8 Jia Z, Wang R, Zhu L, et al. Film-forming polymer nanoparticle strategy for improving the passivation and stability of perovskite solar cells.Energy Environ Sci,2024,17:7221-7233
9 Xu Z, Chin S H, Park B I, et al. Advancing perovskite solar cell commercialization: bridging materials, vacuum deposition, and AI-assisted automation. Next Mater,2024,3:100103
10 Hering A R, Sutter-Fella C M, Leite M S. An AI-accelerated pathway for reproducible and stable halide perovskites. Chem Soc Rev, 2025, 54:10397-10426
11 Unlü F, Jung E,Haddad J,et al. Understanding the interplay of stability and efficiency in A-site engineered lead halide perovskites. APL Mater,2020,8:070901
12 Smith M A, Chen M, Dai Z, et al. Real-time investigation of Sn(II) oxidation in Pb-free halide perovskites by X-ray absorption and Mossbauer spectroscopy.ACS Appl Energy Mater,2021,4:4327-4332
13 Muscarella L A, Hutter E M, Wittmann F, et al. Lattice compression increases the activation barrier for phase segregation in mixed-halide perovskites. ACS Energy Lett,2020, 5:3152-3158
14 Xia J, Sohail M, Nazeeruddin M K. Efficient and stable perovskite solar cells by tailoring of interfaces. Adv Mater, 2023, 35: 2211324
15 Noman M, Khan A H H, Jan S T. Interface engineering and defect passivation for enhanced hole extraction, ion migration, and optimal charge dynamics in both lead-based and lead-free perovskite solar cells. Sci Rep, 2024, 14: 5449
16 Liang X,Liu S,Zhang T,et al. Deactivation of interfacial recombination center for thermally stable perovskite solar cells.J Am Chem Soc,2025,147:37437-37448
17 Xiao C,Zhai Y, Song Z,et al. Operando characterizations of light-induced junction evolution in perovskite solar cells. ACS Appl Mater Interfaces,2023,15:20909-20916
18 Ji J,Liu X,Jiang H,et al.Two-stage ultraviolet degradation of perovskite solar cells induced by the oxygen vacancy-Ti4+states.iScience,2020,23:101013
19 Yusuf A S, Ramalan A M, Abubakar A A, et al. Effect of electron transport layers, interface defect density and working temperature on perovskite solar cells using SCAPS 1-D software. East Eur J Phys, 2024,(1): 332-341
20 Liang H, Yang W, Xia J, et al. Strain effects on flexible perovskite solar cells. Adv Sci, 2023, 10: 2304733
21 Kumar S, Dutta S, Jaafreh R,et al. Accelerated discovery of perovskite materials guided by machine learning techniques. Mater Lett,2023,353:135311
22 Wu T, Wang J. Global discovery of stable and non-toxic hybrid organic-inorganic perovskites for photovoltaic systems by combining machine learning method with first principle calculations. Nano Energy,2019,66:104070
23 Zhao Y, Zhang J, Xu Z,et al. Discovery of temperature-induced stability reversal in perovskites using high-throughput robotic learning. Na Commun,2021,12:2191
24 Yang J, Lawrie B J, Kalinin S V,et al. high-throughput automated exploration of phase growth behaviors in quasi-2D formamidinium metal halide perovskites. Adv Energy Mater,2023,13:2302337
25 Luo R,Jia X,Niu X,et al. Machine learning-driven insights for phase-stable FAxCs1-xPb(I,Br1-y)3 perovskites in tandem solar cells. JACS Au,2025,5:1771-1780
26 Liu S, Wang J, Duan Z,et al. Simple structural descriptor obtained from symbolic classification for predicting the oxygen vacancy defect formation of perovskites. ACS Appl Mater Interfaces, 2022, 14: 11758-11767
27 Jiang S, Wu C, Li F,et al. Machine learning(ML)-assisted optimization doping of KI in MAPbI3 solar cells. Rare Met,2021,40:1698-1707
28 Du B, Ma J, Xiang H,et al. Recent progress of buried interface in high-efficiency and stable perovskite solar cells. Chem Commun, 2024, 60:13819-13831
29 Ye Y, Li R, Qu B,et al. Machine learning for energy band prediction of halide perovskites. Mater Futures, 2025, 4: 035601
30 Liu W, Meng N, Huo X,et al. Machine learning enables intelligent screening of interface materials towards minimizing voltage losses for p-i-n type perovskite solar cells. J Energy Chem, 2023, 83: 128-137
31 Chen Z, Pan S, Wang J,et al. Machine learning will revolutionize perovskite solar cells. Innovation, 2024, 5: 100602
32 Zhi C, Wang S, Sun S,et al. Machine-learning-assisted screening of interface passivation materials for perovskite solar cells. ACS Energy Lett,2023,8:1424-1433
33 Wu J,Torresi L,Hu M M,et al.Inverse design workflow discovers hole-transport materials tailored for perovskite solar cells. Science,2024,386:1256-1264
34 Wen J, Yang S, Jiang L, et al. Accelerated discovery of high-performance small-molecule hole transport materials via molecular splicing, high-throughput screening, and machine learning. J Mater Inf, 2025, 5: 30
35 Liu J,Lv H, Wang P,et al. Synergistic machine learning and DFT screening strategy: accelerating discovery of efficient perovskite passivators.J Energy Chem,2025,112:56-63
36 Eguchi N, Fukazawa T, Kanda H, et al. Performance optimization of perovskite solar cells with an automated spin coating system and artificial intelligence technologies. EES Sol,2025,1:320-330
37 Zhang Q, Wang J, Liu G. Auxiliary guidance manufacture and revealing potential mechanism of perovskite solar cell using machine learning.J Energy Chem,2023,86: 146-157
38 Touati S, Benghia A, Hebboul Z,et al. Predictive machine learning approaches for perovskites properties using their chemical formula: towards the discovery of stable solar cells materials. Neural Comput Applic, 2024, 36: 16319-16329
39 Xu J, Chen H, Grater L,et al. Anion optimization for bifunctional surface passivation in perovskite solar cells. Nat Mater,2023,22:1507-1514
40 Kim S, Jeong Y, Han D W,et al. Machine learning-assisted defect analysis and optimization for P-I-N-structured perovskite solar cells. J Electron Mater,2023,52:5861-5871
41 Yang Z, Liu Y, Zhang Y,et al. Machine learning accelerates the discovery of light-absorbing materials for double perovskite solar cells. J Phys Chem C,2021,125:22483-22492
42 Mannodi-Kanakkithodi A, Chan M K Y. Accelerated screening of functional atomic impurities in halide perovskites using high-throughput computations and machine learning. J Mater Sci, 2022, 57: 10736-10754
43 Gao Z, Zhang H, Mao G,et al. Screening for lead-free inorganic double perovskites with suitable band gaps and high stability using combined machine learning and DFT calculation. Appl Surf Sci, 2021, 568: 150916
44 Antono E, Matsuzawa N N, Ling J,et al. Machine-learning guided quantum chemical and molecular dynamics calculations to design novel hole-conducting organic materials.J Phys Chem A,2020,124:8330-8340
45 Schmidt J, Shi J, Borlido P,et al. Predicting the thermodynamic stability of solids combining density functional theory and machine learning. Chem Mater,2017,29:5090-5103
46 Sun S,Tiihonen A, Oviedo F,et al. A data fusion approach to optimize compositional stability of halide perovskites. Matter,2021,4:1305-1322
47 Meftahi N, Surmiak M A, Firrer S O, et al. Machine learning enhanced high-throughput fabrication and optimization of quasi-2D Ruddlesden-Popper perovskite solar cells. Adv Energy Mater,2023,13:2203859
48 Omidvar M, Zhang H, Ihalage A A, et al. Accelerated discovery of perovskite solid solutions through automated materials synthesis and characterization. Nat Commun,2024,15:6554
49 Zhang Y,Zhou Y.High-throughput multi-scale experiments to probe the stability of metal halide perovskites.ACS Energy Lett,2023,9:186-190
50 Samatov M R,Liu D,Zhao L,et al.Ion migration at metal halide perovskite grain boundaries elucidated with a machine learning force field.J Phys Chem Lett,2024,15:12362-12369
（注，原文標題：人工智能助力雜化半導體光伏結構設計與穩定性提升_王少強）
相關鏈接
