汇聚全球钙钛矿光伏领域最新学术论文，聚焦 AI 应用于光电材料、钙钛矿电池、高通量实验三大主题，持续更新。
共收录 48 篇论文
Machine learning for a sustainable energy future
Z. Yao, Y. Lum, A. Johnston et al.
系统综述ML在可持续能源材料（光伏、储能、催化）中的应用，被引504次，是该领域最权威综述之一。
Machine learning–assisted molecular design and efficiency prediction for high-performance organic photovoltaic materials
W. Sun, Y. Zheng, K. Yang et al.
通过监督学习建立分子描述符→光电性能映射，发现一系列高性能OPV分子，是ML辅助光电材料设计的奠基性工作。
Artificial Intelligence-Based, Wavelet-Aided Prediction of Long-Term Stability of Perovskite Solar Cells
I. Kouroudis et al.
结合小波分析与AI，通过加速室内稳定性测试预测PSC的户外长期降解行为，解决稳定性预测难题。
The role of artificial intelligence (AI) and deep learning (DL) in organic photovoltaics
H. Togun et al.
综述AI/DL在有机光伏（OPV）中的应用，涵盖分子设计、效率预测、形貌优化，强调AI加速OPV走向规模化的路径。
Comprehensive review of advances in machine-learning for perovskite solar cells
B. Jo et al.
覆盖ML在PSC中的全流程应用：数据获取→特征工程→模型训练→性能预测→逆向设计。
Anubis: Bayesian optimization with unknown feasibility constraints for autonomous experimentation
R.J. Hickman et al.
Anubis框架解决自主实验中未知可行性约束问题，全面基准测试贝叶斯优化策略，是高通量实验算法的重要工具。
Machine learning for perovskite optoelectronics: a review
F. Lu et al.
聚焦金属卤化物钙钛矿光电器件，综述ML在材料筛选、器件优化、稳定性预测中的最新进展。
Machine learning driven performance for hole transport layer free carbon-based perovskite solar cells
S. Valsalakumar et al.
五步ML方法论用于无空穴传输层碳基PSC的制备优化，建立系统性ML应用框架。
Machine learning-enabled optoelectronic material discovery: a comprehensive review
N. Miao et al.
全面综述ML驱动的光电材料发现方法论，涵盖带隙预测、稳定性筛选、逆向设计三大方向。
Advancing organic photovoltaic materials by machine learning-driven design with polymer-unit fingerprints
X. Liu, X. Zhang, Y. Sheng et al.
基于聚合物单元指纹开发ML模型，从1343种实验验证的OPV非富勒烯受体材料中筛选高效聚合物，实现结构→效率的精准预测。
Autonomous multi-robot synthesis and optimization of metal halide perovskite nanocrystals
J. Xu et al.
多机器人SDL自主探索金属卤化物钙钛矿纳米晶的合成-优化Pareto前沿，采用Phoenics全局贝叶斯优化算法，是SDL在钙钛矿领域的标志性成果。
Machine learning will revolutionize perovskite solar cells
Z. Chen et al.
预测ML将彻底改变PSC研究范式，重点介绍ML精准预测钙钛矿形成能的模型，精度优于直接使用钙钛矿数据集。
Machine learning for perovskite solar cells: a comprehensive review on opportunities and challenges for materials scientists
V. de la Asunción-Nadal et al.
全面综述ML在PSC中的机遇与挑战，覆盖数据集构建、特征选择、模型选择到实验验证的完整流程。
Machine Learning-Driven Design of Fluorescent Materials
Q. Bian et al.
ML驱动荧光材料设计，包含对卤化物钙钛矿光学行为预测精度>90%的ML模型综述。
In data science we trust: Machine learning for stable halide perovskites
D. Ranke et al.
物理信息ML引导实验方法，突破传统稳定性优化局限，快速高效最大化卤化物钙钛矿稳定性。
Integration of materials science and artificial intelligence: From high-throughput screening to autonomous laboratories
P. Huang, W. Liu, C. Sun 等5位作者
综述AI增强高通量筛选到自驱动实验室（SDL）的完整演进路径，覆盖硬件平台、算法框架和实际案例。
The Bright Future of Materials Science with AI: Self-Driving Laboratories and Closed-Loop Discovery
D. Nematov, I. Raufov, A.A. Murodzoda Saidjaafar et al.
系统介绍SDL的理论基础和实践案例，从量子力学模拟到高通量流动实验，展望SDL对材料发现商业化的驱动作用。
Machine learning-driven interface material design for high-performance perovskite solar cells with scalability and band-gap universality
C. Zhang et al.
ML驱动界面材料设计，实现PSC的可扩展性和带隙普适性，指导高效界面分子材料的发现。