Exploring the optimal design space of transparent perovskite solar cells for four-terminal tandem applications through Pareto front optimization
Notice bibliographique
Résumé
Machine learning algorithms can enhance the design and experimental processing of solar cells, resulting in increased conversion efficiency. In this study, we introduce a novel machine learning-based methodology for optimizing the Pareto front of four-terminal (4T) perovskite-copper indium selenide (CIS) tandem solar cells (TSCs). By training a neural network using the Bayesian regularization-backpropagation algorithm via Hammersley sampling, we achieve high prediction accuracy when testing with unseen data through random sampling. This surrogate model not only reduces computational costs but also potentially enhances device performance, increasing from 29.4% to 30.4% while simultaneously reducing material costs for fabrication by 50%. Comparing experimentally fabricated cells with the predicted optimal cells, the latter show a thinner front contact electrode, charge-carrier transport layer, and back contact electrode. Highly efficient perovskite cells identified from the Pareto front have a perovskite layer thickness ranging from 420 to 580 nm. Further analysis reveals the front contact electrode needs to be thin, while the back contact electrode can have a thickness ranging from 100 to 145 nm and still achieve high efficiency. The charge-carrier transport layers play a crucial role in minimizing interface recombination and ensuring unidirectional current flow. The optimal design space suggests thinner electron and hole transport layer thicknesses of 7 nm, down from 23 to 10 nm, respectively. It indicates a balanced charge-carrier extraction is crucial for an optimized perovskite cell. Overall, the presented methodology and optimized design parameters have the potential to enhance the performance of 4T perovskite/CIS TSC while reducing material fabrication costs.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 ».