点击关注！
ΣLab@HKUST
中国香港科技大学先进半导体研究室(ΣLab: www.alvinyzhou.com) 致力于半导体技术变革，从基础材料学及跨学科的多维视角，在钙钛矿等新型半导体领域开展应用基础研究
引言
钙钛矿太阳能电池由于其优异的光电性能和低的制备成本已被认为是光伏产业的未来。但是太阳能电池中的金属卤化物钙钛矿多为多晶薄膜，不可避免地存在晶界和晶内缺陷等微结构缺陷，这些缺陷会成为非辐射复合的中心并且容易与环境中的氧气、水等发生反应，进而对器件的性能产生负面影响。晶粒尺寸是表征多晶材料的微结构特征的重要参数之一，然而由于金属卤化物钙钛矿薄膜的晶粒数量巨大、形状不规则以及晶粒间形貌变化显著等，使用传统的测量方法进行量化将极具挑战。因此，建立一种可靠并且高通量的研究方法来量化钙钛矿薄膜的晶粒尺寸特征对于研究钙钛矿太阳能电池的构效关系及开发高性能高稳定性的器件意义重大。
中国香港科技大学Yuanyuan Zhou(周圆圆)教授课题组开发了一种基于卷积神经网络的机器学习方法，来自动识别金属卤化物钙钛矿中的晶粒微结构，并对晶粒表面积进行提取、量化和统计分析。使用基于维洛诺伊图形的后处理方法对神经网络直接输出的结果进一步优化。然后使用简化后的韦伯分布模型，将晶粒表面积复杂的空间信息转换为数字指标，以获得简化并能与钙钛矿太阳能电池的性能指标直接关联的参数。工作最后还将钙钛矿太阳能电池的性能与晶粒表面积的分布和尺寸特征进行对照，建立了宏观器件性能与微结构晶粒特性的联系，进一步证明了机器学习在揭示钙钛矿材料微结构-性质-性能关系的巨大潜力。
该前沿工作以“Machine Learning Quantification of Grain Characteristics for Perovskite Solar Cells”为题发表在Cell Press细胞出版社材料学旗舰期刊 Matter（影响因子18.9）。
