创新算法筛选出54种高性能光伏材料

主要观点总结

昆明理工大学材料科学与工程学院种晓宇、何京津、冯晶教授团队在“人工智能+材料”领域取得重要突破，提出了“连续迁移”机器学习框架，成功解决小数据集下材料多性能预测的技术难题。该策略在迁移学习中应用，能够在面对小数据集时显著提高预测可靠性。团队使用该框架从1.8万余种候选材料中筛选出具有潜力的无机双钙钛矿涂层材料。其中，六氟合铱酸铯铜材料表现突出，适用于光伏应用需求。

关键观点总结

关键观点1: 研究团队提出的“连续迁移”机器学习框架成功解决了小数据集下材料多性能预测的技术难题。

该框架基于海量材料的形成能数据训练高精度基础模型，再通过迁移学习预测材料的稳定性、带隙、体积模量等关键性能。在面对小数据集时，通过二次迁移提高了预测可靠性。

关键观点2: 团队筛选出具有潜力的无机双钙钛矿涂层材料。

研究团队从1.8万余种候选材料中快速筛选出54种兼具高稳定性与优异延展性的无机双钙钛矿涂层材料，其中六氟合铱酸铯铜材料表现尤为突出。

关键观点3: 研究意义和应用前景。

这一成果不仅为钙钛矿太阳能电池、光催化等领域提供了候选材料库，还证明了迁移学习在材料多性能协同优化中的普适性，为其他材料的性能预测与优化提供了可推广的框架。

免责声明