[发明专利]一种基于机器学习的理想带隙钙钛矿材料筛选方法

说明书

本发明涉及一种基于机器学习的理想带隙钙钛矿材料筛选方法，包括采集有机无机杂化钙钛矿材料实验带隙数据，利用钙钛矿本征特征构建特征池，计算特征间皮尔逊相关系数剔除相关性强的冗余特征，再利用梯度提升回归树算法对剩余特征进行重要性排序，按排序顺序进行迭代学习以筛选模型精度最高时的最优子特征组合，通过最优子特征构建基于梯度提升回归算法和符号回归算法的机器学习带隙预测模型。本发明利用元素本征特征作为组分与带隙间的中间输入，与直接用组分作为输入的方法相比，降低了特征维度与模型复杂度，提出的子特征筛选方法与符号回归算法的结合，将模型维度降低到一维，在保证精度的前提下模型简单且使用方便，利于大规模预测筛选。

技术领域

本发明涉及钙钛矿太阳能电池领域，具体涉及一种基于机器学习的理想带隙钙钛矿材料筛选方法。

背景技术

钙钛矿太阳能电池因其制备成本低，光电转换效率高，可制造为柔性器件等特征而受到广泛关注。作为钙钛矿太阳能电池的光吸收层，有机无机杂化钙钛矿的主要特点是带隙(禁带宽度)可调范围大，载流子迁移率高。根据Shockley-Queisser(SQ)理论，太阳能电池吸光层的理想带隙值为1.3-1.4eV，在此范围内太阳能电池的光电转换效率将达到上限值。然而，由于杂化钙钛矿组成元素过多，导致其化学组成空间过大，采用实验试错法通过调控化学组成从而调控带隙的做法耗时长且成本高。

机器学习方法是材料研究的第四范式，通过构建有效的材料特征输入，以一种或多种性质作为输出，可以快速建立两者的映射关系，从而达到通过特征输入预测新材料性质的目的。

现有利用机器学习模型对其它材料的筛选主要方式为从材料组分直接到材料性质的预测，在材料组成过多时，模型的输入维度非常高，使模型本身变得十分复杂，不利于后续组分的大规模快速筛选。

发明内容

本发明意在提供一种基于机器学习的理想带隙钙钛矿材料筛选方法，通过该方法，可以构建高精度机器学习模型，实现有机无机杂化钙钛矿带隙值的快速预测以及钙钛矿材料组分筛选。

本发明所述的基于机器学习的理想带隙钙钛矿材料筛选方法，包括以下步骤：

步骤1，采集钙钛矿材料数据和每种钙钛矿材料对应的带隙实验值，所有钙钛矿材料的元素组成为ABX，A、B和X三种位置的元素剂量比和为1：1：3，其中，A代表Cs、FA和MA中的任一种、任两种或三种组合，FA为HC(NH₂)₂，MA为CH₃NH₃，B代表Pb和Sn中的任一种或两种组合，X代表Br、Cl和I中的任一种、任两种或三种的组合；

步骤2，以元素剂量比为权重，对A、B、X元素对应的本征特征进行加权数学运算得到加权平均特征，再将加权平均特征进行加、减、除运算，得到运算特征，将加权平均特征和运算特征作为初始特征；

步骤3，通过计算初始特征间皮尔逊相关系数剔除相关性0.95的冗余初始特征，构建特征池；

步骤4，基于步骤3计算得到的特征池，运用GBRT算法进行特征重要性排序；

步骤5，以GBRT算法测试集预测精度为目标函数，进行子特征迭代筛选，筛选出GBRT模型精度最高时对应的子特征集；

步骤6，以步骤5筛选出的子特征集为输入自变量，钙钛矿实验带隙值为输出因变量，构建钙钛矿材料的带隙预测模型；

步骤7，根据元素组成，按各元素剂量比0-1，步长0.01的组分梯度，构建待筛选钙钛矿材料组分数据集，利用带隙预测模型预测并筛选出理想带隙对应的钙钛矿材料。

本发明的有益效果在于：