Solar RRL：机器学习指导Mn在Cu2ZnSn4掺杂量的快速确定及太阳电池

在过去十多年里，Cu2ZnSn(S,Se)4 (CZTSSe)由于其组成元素价格低廉、对环境友好、可见光吸收率高及理论转换效率高等特点受到国际科技界和工业界的广泛关注。其转换效率也从2004年的5%快速提升到12.6%。但是，由于CZTSSe电池的界面和体缺陷原因，光伏器件的带尾态严重，制约了电池的开路电压的提升。为了进一步提高CZTSSe电池的转换效率，近年来科学家们用不同的阳离子对CZTSSe吸收层中相应的金属离子进行取代，实现对CZTSSe电学和光学性能的调控从而提高电池的转换效率。2017年，南开大学张毅教授课题组曾应邀为Adv. Sci.撰写阳离子对CZTSSe金属离子的取代的综述文章，对这一领域的发展现状进行了总结，并对对如何打破CZTSSe电池开路电压损失过大这一问题提出了一些有重要参考价值的建议。

为了降低CZTSSe中由于Cu和Zn离子半径接近而出现的CuZn替位缺陷的浓度，张毅教授课题组选择了离子半径较大的Mn离子来取代Zn离子，以便达到降低CuZn替位缺陷的浓度。为了快速确定Mn取代Zn的合适浓度，最近，南开大学张毅教授指导硕士生李秀玲和日本国家材料研究所的达博博士、侯柱锋博士合作，采用机器学习指导实验过程。通过有效的合作，仅通过三次机器学习计算，他们就确定了Mn在CZTSSe中的最佳掺杂量，极大的缩减了实验周期，同时也非常有力的保证了实验掺杂量的可靠性。研究表明，当合适的Mn掺入CZTSSe后，CuZn替位缺陷浓度明显降低，从而电池效率从7.7%提高到8.9%。该工作也为研究薄膜太阳电池的研究提供了新思路，展示了机器学习与实验结合，可以极大缩短薄膜太阳电池研究周期的巨大潜力。

该研究工作在线发表在Solar RRL（DOI: 10.1002/solr.201800198）上。