研究作者与机构
本研究由Xiaohui Li、Yongxiang Mai、Haogang Meng、Huan Bi、Chi Huey Ng、Siow Hwa Teo、Chunfeng Lan、Putao Zhang和Shengjun Li共同完成。研究团队来自多个机构，包括河南大学量子材料与量子能源河南省重点实验室、日本电气通信大学信息与工程研究生院、马来西亚沙巴大学工程学院、深圳职业技术学院比亚迪应用技术学院等。该研究于2024年11月14日在线发表在Advanced Composites and Hybrid Materials期刊上。
学术背景
钙钛矿太阳能电池（Perovskite Solar Cells, PSCs）作为一种新兴的光伏技术，近年来取得了显著进展，其光电转换效率（Power Conversion Efficiency, PCE）从最初的3.8%提升至目前的26.1%，超越了传统的多晶硅太阳能电池。钙钛矿层的微观结构（如晶粒尺寸和晶界）对器件性能具有重要影响。然而，钙钛矿薄膜的晶界统计特性难以准确量化，这限制了对其性能的深入理解。因此，开发一种高精度、高通量的晶界量化方法具有重要意义。
本研究旨在通过机器学习技术，特别是卷积神经网络（Convolutional Neural Network, CNN），对钙钛矿薄膜的晶界长度进行自动化和高精度的量化分析，从而揭示晶界长度与器件性能之间的关系。
研究流程
研究分为以下几个主要步骤：
1. 数据集收集与模型构建
- 数据集选择：从扫描电子显微镜（SEM）输出的15张钙钛矿薄膜的顶视图图像中筛选出具有清晰晶粒和晶界特征的图像。
- 图像预处理：将图像裁剪并调整为256×256像素，以确保计算效率和数据一致性。
- 模型构建：采用U-Net16结构的CNN模型，该模型通过编码器-解码器架构高效提取图像特征，并逐步恢复分割结果的空间分辨率。模型训练使用二元交叉熵（Binary Cross-Entropy, BCE）损失函数，经过700次迭代后，损失函数稳定在0.05以下。
2. 数据后处理
- 阈值分割与形态学操作：通过颜色阈值分割和形态学操作（如开运算和闭运算）进一步修正CNN的预测结果，以减少误分类像素。
- Voronoi图验证：使用Voronoi图方法验证晶粒分割的准确性，确保晶粒之间的粘连区域被正确分离。
3. 晶界长度计算
- 图像分割与量化：将SEM图像的顶视图和横截面图导入模型，计算晶界长度并进行统计分析。
- 数据转换：将钙钛矿薄膜的微观形态特征转换为数值特征，生成晶界长度与器件性能的关系数据。
4. 性能表征
- 晶界长度分类：根据晶界长度将钙钛矿薄膜分为长、中、短三类，并分析其对PCE、开路电压（Voc）、短路电流密度（Jsc）和填充因子（Fill Factor, FF）的影响。
- 结果分析：发现长晶界长度的钙钛矿薄膜具有更高的PCE，这归因于晶界减少了体缺陷并提高了载流子迁移率。
主要结果
- 晶界长度与器件性能的关系：长晶界长度的钙钛矿薄膜显著提高了PCE，而Voc和FF随着晶界长度的减少而改善。
- 模型精度：通过CNN模型和后处理技术，晶界长度的量化精度显著提高，为钙钛矿薄膜的微观结构分析提供了可靠的工具。
- 高通量分析：该方法实现了对钙钛矿薄膜微观结构的高通量、自动化分析，为研究多晶薄膜和功能器件提供了通用策略。
结论与意义
本研究通过构建基于CNN的机器学习模型，成功实现了对钙钛矿薄膜晶界长度的自动化量化分析。研究不仅揭示了晶界长度与器件性能之间的关系，还为钙钛矿太阳能电池的优化设计提供了新的思路。此外，该方法的高通量和自动化特性使其在功能器件研究中具有广泛的应用潜力。
研究亮点
- 创新性方法：首次将CNN与Voronoi图结合用于钙钛矿薄膜晶界长度的量化分析。
- 高精度与高通量：通过自动化图像处理技术，显著提高了晶界长度量化的精度和效率。
- 科学价值：揭示了晶界长度对钙钛矿太阳能电池性能的直接影响，为器件优化提供了理论依据。
其他有价值的内容
- 数据可用性：本研究未生成或分析新的数据集，所有数据均基于公开的SEM图像。
- 资助信息：研究得到了中国国家自然科学基金（No. 62304070）和广东省自然科学基金（2024A1515012610）的支持。
通过本研究，研究人员不仅为钙钛矿太阳能电池的微观结构分析提供了新的工具，还为机器学习在材料科学中的应用开辟了新的方向。