高效钙钛矿太阳能电池(PSCs)的开发需要对影响器件性能的多尺度因素进行全面调控.近年来,以机器学习(ML)为代表的人工智能(AI)技术已成为PSCs设计与优化的关键工具.然而,目前的ML模型往往在器件层面过度简化PSCs的设计,难以模拟出其多尺度特征的复杂性.并且,它们也受到相对较小和专门的数据集的限制,导致它们难以推广到各式各样构造和制备方法下的PSCs中.为此,我们基于超过20,000个实验测量的PSC样本和约260个多尺度特征,构建了一个模拟PSCs的全流程的AI框架.该框架在样本数量和特征多样性方面具有显著优势,通过整合材料选择、制备工艺和环境因素,为PSCs提供了更精准、全面的优化方案.我们通过特征工程和模型训练解决了数据多样性与异质性带来的挑战,最终建立的PSC性能预测模型不仅具有高泛化能力,并且预测精度与小规模模型相当.该框架不仅能实现对任意PSCs指定特征的精准优化,还为高性能光伏器件的设计提供了重要指导.
