有机无机钙钛矿

机器学习精准调带隙

一种成分可控的钙钛矿材料，通过机器学习模型优化元素配比，实现带隙的精准预测与调节。

马柱 · Yang, Qiang · Du, Hao · 张乾 · Wei, You · Chen, Yi · Du, Zhuowei · Junbo, Yang · Maozhu, Mao · 刘凯 · 俞健 · Anan, Zhang · 闵帆 · 孙宽

ACS Applied Materials & Interfaces 2025

参数信息

平均绝对误差

0.0287

均方误差

0.0014

均方根误差

0.0377

决定系数

0.979

技术优势

预测更准

GBRT模型的平均绝对误差仅为0.0287，优于其他算法。

知道关键元素

SHAP分析显示碘的比例对带隙影响最大，其次是铅、溴和锡，从而指导成分调控。

应用场景

• 钙钛矿太阳能电池：用机器学习预测并调控带隙，优化光吸收层成分，提升电池效率。
• 光电探测器：通过预测带隙精确匹配探测波长，设计特定响应的光电探测器。
• LED发光材料：利用带隙预测指导成分配比，获得目标发光波长的LED材料。
• 光电材料设计：借助SHAP分析揭示关键元素影响，加速光电材料的成分筛选与带隙设计。