太阳能是地球上最丰富的能源，是清洁能源转型中极具前景的替代能源。然而，目前商用太阳能电池将光能转化为可用能源的效率仅为 20%。

串联太阳能电池(多个太阳能电池堆叠在一起)可能效率更高。每个电池层对不同波长的光敏感，从而能够捕获可能损失的能量。

串联太阳能电池的顶层通常允许特定波段的光能通过并被底层捕获。研究发现，用一种称为钙钛矿的材料制造顶层可以将太阳能电池的效率提高到远远超过目前 20% 的阈值。

新加坡科技设计大学 (SUTD) 的薛汉松博士解释说，钙钛矿太阳能电池“可以通过定制获得出色的光电特性，包括高吸收系数、高缺陷容忍度和可调带隙”。

这些电池的设计和制造都极具挑战性。最大限度地提高其效率往往需要付出材料成本上升的代价。

为了设计出兼顾效率和成本效益的钙钛矿太阳能电池，人们采用了帕累托前沿优化方法，即根据效率和成本两个参数之间的权衡来确定最优解。但由于计算非常复杂，这种方法可能非常耗时。

为了解决这个问题，薛博士与新加坡国立大学和多伦多大学的研究人员合作，将机器学习融入帕累托前沿优化方法中。

具体来说，该团队在《APL 机器学习》杂志上发表的研究中采用了神经网络学习，题为“通过帕累托前沿优化探索四端串联应用的透明钙钛矿太阳能电池的最佳设计空间”。

薛博士及其团队首先利用光电模型生成一组数据，计算不同配置的四端 (4T) 钙钛矿铜铟硒串联太阳能电池的效率。然后，他们利用这些数据训练了一个神经网络，使其能够快速模拟和预测任何 4T 串联太阳能电池在不同参数下的效率。

使用神经网络预测效率大大减少了执行帕累托前沿优化所需的时间。薛博士说：“神经网络仅用 11 个小时就预测了 3,500 种不同设备的效率。使用原始光电电模型进行同样的模拟大约需要六个月。”

节省的时间让团队能够快速分析不同的模拟，并确定 4T 串联太阳能电池的最佳配置，从而以最低成本实现效率最大化。事实上，神经网络预测的最佳配置将效率提高了 30.4%，同时将材料成本降低了 50%。将这种设计与现有的实验设计进行比较也为研究人员提供了新的见解。

薛博士说：“预测的最佳电池具有更薄的前接触电极、载流子传输层和背接触电极。”这一发现的意义不容低估——他们指出，载流子传输可能是优化钙钛矿串联电池的关键因素。

对于薛博士来说，新型神经网络模型的成功只是提高太阳能电池效率的开始。通过设计、人工智能和技术的运用，太阳能电池的制造可以变得更加高效、经济高效和用途广泛，为可再生能源解决方案的进步做出重大贡献。

该团队还希望通过整合各种材料数据来构建他们的神经网络。其中包括使用各种材料作为载流子传输层以及具有不同特性的钙钛矿化合物。

他们还计划将其方法扩展到更广泛的串联设备架构，例如全钙钛矿、有机钙钛矿和硅上钙钛矿串联太阳能电池。