SCAPS Empowered Machine Learning Modelling of Perovskite Solar Cells: Predictive Design of Active Layer and Hole Transport Materials
Notice bibliographique
Résumé
Over the last decade, perovskite-based materials have manifested boundless power in boosting solar cells' power conversion efficiency. Despite the extraordinary achievements of simulation surveys in reaching high efficiencies, there is a yawning gap between experimental and simulation results. To harmonize them, acquiring a deep understanding of results, selecting the proper hole transport layer (HTL) and active layer (AL), and employing proper optimization methods in simulation, have remained a great challenge. In this survey, we employed SCAPS-1D and machine learning to study the characteristics of different HTLs (Spiro, CIS, and CsSnI3) and perovskite layers (FAPbI3, MAPbI3, and CsPbI3), including thickness, doping density, and defect density. CsSnI3 as the HTL possesses a negligible lattice-mismatch with perovskite, reducing the dangling bonds as recombination sites, high hole velocity, and low cost than commonly-used Spiro-OMeTAD. According to the SCAPS results, HTL based on CsSnI3 with a thickness of 220 nm, a defect density of 5×1017 cm-3, and a doping density of 5×1019 cm-3 yields the highest performance of about 23.90 %. Moreover, FAPbI3 as AL is not only more stable than MAPbI3, but also it has a more fascinating direct bandgap energy of 1.51 eV, than CsPbI3 and MAPbI3, capable of achieving the highest power conversion efficiency (>24 %) at a thickness of 530 nm and defect density of 1014 cm-3. Machine learning tools also affirm the extracted results with ~75% accuracy on the performance matrices of solar cells. This type of solar cell structure would shed light on the new generation of solar cells.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».