Bu çalışma, kurşunsuz inorganik çift perovskit soğurucu Cs₂AgBi_0,75Sb_0,25Br₆ kullanılan bir güneş hücresinin fotovoltaik performansını SCAPS-1D simülasyonları ve Random Forest makine öğrenmesi modeliyle incelemiştir. ITO/ZnO/Cs₂AgBi_0,75Sb_0,25Br₆/CZTSe/Au katman dizilimi için soğurucu malzemenin bant aralığı, elektron ilgisi, etkin durum yoğunlukları, taşıyıcı hareketlilikleri ve bağıl dielektrik geçirgenliği değiştirilerek 3.888 simülasyon kaydı oluşturulmuştur. Random Forest modeli, simülasyon verisindeki güç dönüşüm verimini R² = 0,99 ve RMSE = 0,0693 ile tahmin etmiş; elektron ilgisi ile bant aralığını en etkili iki özellik olarak sıralamıştır. Bununla birlikte çalışma tamamen sayısaldır, deneysel olarak üretilmiş bir hücreyi doğrulamamaktadır ve nihai verim için metnin farklı bölümlerinde %26,07, %26,53 ve %26,64 gibi birbiriyle uyuşmayan değerler bildirilmektedir.

Türkiye açısından değerlendirme: Çalışmanın yaklaşımı, Türkiye’de fotovoltaik malzeme ve ince film güneş hücresi araştırması yapan üniversiteler, araştırma merkezleri ve teknoloji ekipleri için pahalı üretim denemelerinden önce duyarlılık analizi yapılmasına yardımcı olabilir. Türkiye’ye uyarlama için kullanılan SCAPS parametrelerinin deneysel ince filmlerle kalibre edilmesi, Cs₂AgBi_0,75Sb_0,25Br₆ katmanlarının yerel laboratuvar koşullarında üretilmesi, sıcaklık ve güneş spektrumu etkilerinin saha koşullarında sınanması, modelin bağımsız verilerle doğrulanması ve üretilebilir katkılama ile kusur yoğunluğu aralıklarının belirlenmesi gerekir. Araştırmadan Türkiye’de üretilecek gerçek modüllerin verimi, maliyeti, ömrü, iklim dayanıklılığı veya ticari uygulanabilirliği doğrudan çıkarılamaz.

Araştırmanın temel katkısı, binlerce yarı iletken cihaz simülasyonunun makine öğrenmesiyle taranarak hangi içsel malzeme özelliklerinin verimi daha güçlü etkilediğinin belirlenmesidir. Sonuçlar elektron ilgisinin %40,85, bant aralığının %34,06 göreli önem taşıdığını göstermektedir. Ancak bu yüzdeler fiziksel nedenselliğin doğrudan ölçümü değil, Random Forest modelinin kullanılan simülasyon veri uzayındaki tahmin önemleridir.

Araştırmanın temel sorusu nedir?

Araştırma, kurşun içermeyen Cs₂AgBi_0,75Sb_0,25Br₆ çift perovskit soğurucunun hangi içsel özelliklerinin güneş hücresi verimini en fazla etkilediğini ve büyük bir SCAPS-1D veri kümesinin Random Forest modeliyle daha hızlı yorumlanıp yorumlanamayacağını incelemektedir.

Çalışma iki aşamalıdır. İlk aşamada yarı iletken cihazın elektriksel davranışı SCAPS-1D ile çözülerek 3.888 parametre bileşimi üretilmiştir. İkinci aşamada bu kayıtların %80’i Random Forest modelinin eğitimi, %20’si test edilmesi için kullanılmış; beş katlı çapraz doğrulama ve grid aramasıyla model ayarı yapılmıştır. Daha sonra özellik önemleri ve SHAP analizi kullanılarak performans üzerinde en etkili değişkenler seçilmiş, cihaz SCAPS-1D içinde yeniden optimize edilmiştir.

Önerilen güneş hücresi hangi katmanlardan oluşmaktadır?

Şekil 1’de ışığın cam ve ön kontak tarafından girdiği aşağıdaki katman yapısı gösterilmektedir:

1. Cam: Hücrenin saydam taşıyıcı yüzeyidir.
2. ITO: İndiyum katkılı kalay oksitten oluşan saydam iletken ön kontak olarak kullanılmıştır.
3. ZnO: Elektron taşıma katmanıdır (electron transport layer, ETL).
4. Cs₂AgBi_0,75Sb_0,25Br₆: Fotonları soğuran ve elektron-boşluk çiftlerinin oluştuğu kurşunsuz çift perovskit katmandır.
5. CZTSe: Boşluk taşıma katmanıdır (hole transport layer, HTL).
6. Au: Altın arka elektrottur.

Soğurucu katmanda ışık enerjisiyle elektron-boşluk çiftleri meydana gelmektedir. Elektronların ZnO’nun iletim bandına, boşlukların ise CZTSe’nin değerlik bandına aktarılması amaçlanmıştır. Bu aktarımın verimli olabilmesi için katmanların enerji seviyeleri ve bant ofsetleri önem taşımaktadır.

Başlangıç cihaz parametreleri nelerdir?

Simülasyonlar 300 K sıcaklıkta, AM 1.5 ışık spektrumu ve 1.000 W·m⁻² ışınım şiddeti altında yürütülmüştür. Elektronlar için yüzey veya arayüz rekombinasyon hızı 10⁵ cm·s⁻¹, boşluklar için 10⁷ cm·s⁻¹ olarak ayarlanmıştır.

SCAPS-1D hangi fiziksel denklemleri çözmektedir?

SCAPS-1D, yarı iletken yapı içindeki elektriksel potansiyeli, taşıyıcı dağılımını, üretimi, rekombinasyonu ve akım yoğunluğunu birbirine bağlı denklemlerle hesaplamaktadır.

Poisson denklemi

\[ \frac{d^2\phi(x)}{dx^2} = \frac{q}{\varepsilon_0\varepsilon_r}\left[p(x)-n(x)+N_D-N_A+\rho_p-\rho_n\right] \]

Burada φ(x) elektriksel potansiyeli, q temel elektrik yükünü, ε₀ boşluğun dielektrik sabitini, ε_r katmanın bağıl dielektrik geçirgenliğini göstermektedir. p(x) ve n(x), katman kalınlığı boyunca boşluk ve elektron konsantrasyonlarıdır. N_D ile N_A donör ve akseptör katkılama yoğunluklarını, ρ_p ve ρ_n ise pozitif ve negatif yük yoğunluklarını ifade etmektedir. Denklem, hücrenin içinde oluşan elektrik alanın konuma göre nasıl değiştiğini belirlemektedir.

Elektron ve boşluk süreklilik denklemleri

\[ -\frac{\partial J_n}{\partial x}-U_n+G_n=\frac{\partial n}{\partial t} \]

\[ -\frac{\partial J_p}{\partial x}-U_p+G_p=\frac{\partial p}{\partial t} \]

J_n ve J_p elektron ile boşluk akım yoğunluklarıdır. G_n ve G_p ışık altında taşıyıcı üretim hızlarını, U_n ve U_p rekombinasyon hızlarını göstermektedir. Bu denklemler, belirli bir bölgedeki taşıyıcı sayısının akım, üretim ve kayıp süreçleriyle nasıl değiştiğini açıklar.

Sürüklenme-difüzyon ilişkileri

\[ J_n=q\mu_n n(x)E(x)+qD_n\frac{\partial n}{\partial x} \]

\[ J_p=q\mu_p p(x)E(x)+qD_p\frac{\partial p}{\partial x} \]

μ_n ve μ_p elektron ile boşluk hareketliliklerini, D_n ve D_p difüzyon katsayılarını, E(x) ise elektrik alanı göstermektedir. İlk terim elektrik alan nedeniyle oluşan sürüklenme akımını, ikinci terim yoğunluk farkı nedeniyle oluşan difüzyon akımını temsil eder.

Kaynak metindeki difüzyon ilişkisi

\[ D_{(n,p)}=\sqrt{\mu_{(n,p)}\frac{kT}{q}\tau_{(n,p)}} \]

Çalışma bu ifadeyi difüzyon katsayısıyla ilişkilendirmektedir. Ancak karekök içindeki hareketlilik, termal enerji ve yaşam süresi çarpımı boyutsal olarak bir difüzyon uzunluğu ilişkisine karşılık gelmektedir. Kaynakta kullanılan sembol ve açıklama bu nedenle birbiriyle tam uyumlu görünmemektedir; ifade sessizce düzeltilmeden burada çalışmada verildiği biçimiyle aktarılmıştır.

Başlangıç performansı nasıldır?

Şekil 2’deki optimize edilmemiş akım yoğunluğu-gerilim eğrisinde açık devre gerilimi V_OC = 1,29 V, kısa devre akım yoğunluğu J_SC = 14,29 mA·cm⁻², dolum faktörü FF = %84,11 ve güç dönüşüm verimi η = %15,60 olarak gösterilmiştir. Aynı şeklin iç grafiği kuantum veriminin görünür dalga boylarında yüksek kaldığını, daha uzun dalga boylarında ise keskin biçimde düştüğünü göstermektedir.

Random Forest modeli nasıl çalışmaktadır?

Şekil 3’te veri toplama, temizleme, model seçme, modeli eğitme, değerlendirme ve tahmin üretme adımları gösterilmektedir. Random Forest, aynı veri kümesinin farklı bootstrap örneklerinden çok sayıda karar ağacı kurmakta ve bu ağaçların sonuçlarını birleştirmektedir.

\[ f(y)=\frac{1}{m}\sum_{i=1}^{m}f_i(y) \]

Burada m karar ağacı sayısını, f_i(y) her ağacın tahminini ve f(y) bütün ağaçların ortalamasından elde edilen nihai tahmini temsil etmektedir. Birden fazla ağacın kullanılması, tek bir karar ağacının belirli eğitim örneklerine aşırı uyum sağlama riskini azaltmayı amaçlar.

Çalışmada bant aralığı, elektron ilgisi, elektron ve boşluk hareketliliği, iletim ve değerlik bandı etkin durum yoğunlukları ile dielektrik geçirgenliği giriş özellikleri olarak değerlendirilmiştir. Hedef çıktılar arasında PCE, V_OC, J_SC ve FF bulunmaktadır; temel makine öğrenmesi değerlendirmesi PCE tahminine odaklanmıştır.

Modelin doğruluğu nasıl değerlendirilmiştir?

Random Forest modelinin tahmini ile SCAPS-1D tarafından oluşturulan değerler, belirleme katsayısı R² ve hata karelerinin ortalamasının karekökü kullanılarak karşılaştırılmıştır.

\[ RMSE=\sqrt{\frac{1}{N}\sum_{i=1}^{N}(y_i-\hat{y}_i)^2} \]

N toplam veri sayısını, y_i SCAPS-1D değerini ve ŷ_i Random Forest tahminini göstermektedir. RMSE küçüldükçe model tahmini ile simülasyon çıktısı birbirine yaklaşmaktadır.

Çalışmada R² = 0,99 ve RMSE = 0,0693 bildirilmiştir. RMSE’nin birimi veya PCE’nin yüzde mi yoksa sayısal oran ölçeğinde mi işlendiği açıkça belirtilmemiştir. Eğitim ve test saçılım grafiklerindeki noktaların ideal tahmin doğrusuna yakın olması, modelin aynı SCAPS-1D veri uzayındaki kayıtları yüksek doğrulukla yeniden üretebildiğini göstermektedir.

Bu sonuç fiziksel güneş hücresinin %99 doğrulukla tahmin edildiği anlamına gelmez. Hedef veriler deneysel ölçüm değil, aynı simülatörün ürettiği sayısal sonuçlardır. Modelin başarısı esas olarak simülasyon parametreleri ile simülatör çıktısı arasındaki ilişkiyi öğrenme başarısıdır.

Hangi özellikler verimi en fazla etkilemiştir?

Şekil 6 ve Tablo 2, elektron ilgisi ile bant aralığının model tahminindeki baskın iki değişken olduğunu göstermektedir. Şekil 7’deki SHAP grafiği de bu sıralamayı desteklemektedir. Elektron ilgisi en geniş SHAP dağılımını, bant aralığı ikinci en geniş dağılımı oluşturmuştur. Taşıyıcı hareketlilikleri ise kullanılan parametre aralıklarında daha sınırlı tahmin etkisi göstermiştir.

Bu önem değerleri yalnızca çalışmada seçilen aralıklar ve diğer sabit model varsayımları için geçerlidir. Bir özelliğin öneminin düşük olması, gerçek bir cihazda fiziksel olarak önemsiz olduğu anlamına gelmez.

Bant aralığı ve elektron ilgisi neyi değiştirmiştir?

Elektron ilgisi, vakum seviyesi ile iletim bandı minimumu arasındaki enerji farkını ifade etmektedir. Bant aralığı ise değerlik bandı ile iletim bandı arasındaki enerji farkıdır. Bu iki özellik, soğurucunun hangi fotonları kullanabileceğini ve komşu taşıma katmanlarıyla enerji hizalanmasını belirlemektedir.

Çalışmada soğurucu ile elektron taşıma katmanı arasındaki iletim bandı ofseti şu şekilde tanımlanmıştır:

\[ CBO=\chi_{\mathrm{abs}}-\chi_{\mathrm{ETL}} \]

χ_abs soğurucunun, χ_ETL elektron taşıma katmanının elektron ilgisidir. Çalışmanın tanımına göre pozitif CBO sivri, negatif CBO uçurum benzeri bant hizalanmasına karşılık gelmektedir.

Soğurucu ile boşluk taşıma katmanı arasındaki değerlik bandı ofseti kaynakta şu biçimde verilmiştir:

\[ VBO=(\chi_{\mathrm{HTL}}-E_{g,\mathrm{HTL}})-(\chi_{\mathrm{abs}}+E_{g,\mathrm{abs}}) \]

Kaynakta bu denklemin literatür atfı “[?]” biçiminde çözümlenmemiş bir yer tutucu olarak kalmıştır. Dolayısıyla denklem aktarılmakla birlikte referans doğrulaması çalışmanın kendi metni üzerinden yapılamamaktadır.

Şekil 8’de bant aralığı yükseldikçe V_OC artmış; J_SC ve PCE azalmıştır. Elektron ilgisindeki artış özellikle dolum faktörünü yükseltmiştir. Bölüm metni en yüksek PCE değerini %19,28 olarak, E_g = 1,71 eV ve χ = 3,65 eV koşulunda bildirmektedir. Aynı bölümün sonunda ise soğurucunun elektron ilgisi 3,65 eV, bant aralığı 1,75 eV olarak “optimize edilmiş” kabul edilmiştir. En yüksek nokta ile seçilen son bant aralığının farklı olması açık biçimde gerekçelendirilmemiştir.

Soğurucu kalınlığının etkisi nedir?

Soğurucu kalınlığı 0,4 µm ile 2 µm arasında değiştirilmiştir. Kalınlık arttıkça daha fazla ışığın soğurulması ve daha fazla elektron-boşluk çifti üretilmesi nedeniyle fotovoltaik çıktıların yükseldiği bildirilmiştir.

• V_OC yaklaşık 1,32 V’tan 1,36 V’a çıkmıştır.
• J_SC yaklaşık 16 mA·cm⁻² değerinden 21,2 mA·cm⁻² değerine yükselmiştir.
• FF yaklaşık %82’den %86’ya çıkmıştır.
• PCE, Şekil 9a’da kalınlıkla birlikte yükselen bir eğilim göstermiştir.

Kalın tabaka daha fazla ışık soğurabilir; ancak çalışma üretim kaynaklı gerilim, kristal kusurları, seri direnç, malzeme tüketimi veya kalın filmlerdeki deneysel homojenlik sorunlarını modellememiştir.

Akseptör yoğunluğu performansı nasıl değiştirmiştir?

Soğurucu katmanın akseptör yoğunluğu 10¹⁵–10²⁰ cm⁻³ aralığında taranmıştır. Akseptör yoğunluğu arttıkça V_OC 1,32 V’tan 1,53 V’a yükselmiş, J_SC ise azalmıştır. FF önce düşmüş, daha sonra yükselerek %91,53’e ulaşmıştır.

PCE, 10¹⁵–10¹⁷ cm⁻³ aralığında önce azalmış; 10¹⁸ cm⁻³ üzerindeki yoğunluklarda belirgin biçimde yükselerek 10²⁰ cm⁻³ değerinde yaklaşık %26’ya ulaşmıştır. Yazarlar, çok yüksek katkılama düzeylerinin taşıyıcı hareketi ve üretim süreci açısından sorun oluşturabileceğini de belirtmiştir.

Kusur yoğunluğu neden kritiktir?

Soğurucu kusur yoğunluğu N_t = 10¹⁰–10²⁰ cm⁻³ arasında değiştirilmiştir. Şekil 10, kusur yoğunluğu düşükken performansın yüksek kaldığını; yaklaşık 10¹⁵ cm⁻³ sonrasında V_OC, J_SC, FF ve PCE’nin hızla düştüğünü göstermektedir. Bunun nedeni kusur seviyelerinin taşıyıcıları yakalaması, tuzak destekli rekombinasyonu artırması ve taşıyıcı difüzyon uzunluğunu azaltmasıdır.

Çalışmada 10¹⁰ cm⁻³ kusur yoğunluğu için J_SC = 16,8 mA·cm⁻², V_OC = 1,68 V, FF = %92,04 ve PCE = %26,07 verilmiştir. Metin ayrıca bu kadar düşük kusur yoğunluğunun deneysel olarak elde edilmesinin zor olduğunu kabul etmektedir.

Kusur yoğunluğu bölümünde “tuzak destekli rekombinasyondaki artışın verimde önemli bir artışa yol açtığı” anlamına gelen bir cümle bulunmaktadır. Şekil 10 ve bölümün genel fiziksel açıklaması ise kusur yoğunluğu ile rekombinasyon arttıkça verimin düştüğünü göstermektedir. Bu cümle, kaynak içindeki önemli bir anlatım tutarsızlığıdır.

Sıcaklığın etkisi nedir?

Çalışma sıcaklığı 250 K ile 400 K arasında değiştirilmiştir. Sıcaklık arttıkça V_OC 1,70 V’tan 1,60 V’a, FF %92,61’den %89,74’e ve PCE %26,53’ten %24,22’ye gerilemiştir. J_SC 16,81’den 16,80 mA·cm⁻² düzeyine çok küçük bir değişim göstermiştir.

Metin bu değişimi “J_SC artmıştır” şeklinde tanımlamaktadır; ancak verilen sayılar 16,81’den 16,80’e küçük bir azalma göstermektedir. Temel performans kaybı, sıcaklıkla artan doyma akımı ve rekombinasyon nedeniyle V_OC ile FF’nin azalmasına bağlanmıştır.

Güç dönüşüm verimi nasıl hesaplanmaktadır?

\[ PCE=\frac{V_{\mathrm{OC}}\times J_{\mathrm{SC}}\times FF}{P_{\mathrm{in}}} \]

V_OC volt cinsinden açık devre gerilimini, J_SC mA·cm⁻² cinsinden kısa devre akım yoğunluğunu, FF dolum faktörünü ve P_in hücreye gelen optik güç yoğunluğunu göstermektedir. FF yüzde olarak veriliyorsa denklemde kullanılmadan önce 100’e bölünerek ondalık değere dönüştürülmelidir.

Nihai optimize edilmiş performans neden tek bir değer değildir?

Çalışmanın farklı bölümlerinde birbirinden ayrılan sonuçlar verilmektedir:

Bu değerler tek bir ortak parametre setine aitmiş gibi sunulamaz. Özetin %26,64 değeri, Şekil 12’nin %26,53 değeri ve kusur yoğunluğu bölümünün %26,07 değeri farklı optimizasyon adımlarını veya metin içi uyumsuzlukları temsil ediyor olabilir; çalışma bunları yeterince açık biçimde ayırmamaktadır.

Elektron ilgisi için de bölüm 4.1’de 3,65 eV, sonuç bölümünde 3,69 eV önerilmektedir. Bant aralığı için en yüksek PCE noktası 1,71 eV olarak açıklanırken aynı bölümde 1,75 eV, sonuçta ise 1,76 eV’nin altı önerilmektedir. Bu nedenle çalışma deneysel tasarım rehberi olarak kullanılmadan önce parametre setinin yazarlar tarafından netleştirilmesi gerekir.

Çalışmanın desteklediği sonuçlar

• Random Forest modeli, SCAPS-1D tarafından üretilen PCE değerlerini aynı simülasyon parametre uzayında yüksek doğrulukla tahmin etmiştir.
• Elektron ilgisi ve bant aralığı, kullanılan modelde en yüksek özellik önemlerine sahip olmuştur.
• Soğurucu kalınlığının artırılması, incelenen aralıkta ışık soğurulmasını ve J_SC değerini yükseltmiştir.
• Çok düşük kusur yoğunluğu, modelde daha düşük rekombinasyon ve daha yüksek fotovoltaik performansla ilişkilendirilmiştir.
• Çalışma sıcaklığı yükseldikçe V_OC, FF ve PCE düşmüştür.
• SCAPS-1D ile makine öğrenmesinin birlikte kullanılması, geniş parametre taramalarının önceliklendirilmesini kolaylaştırabilir.

Çalışmanın kanıtlamadığı sonuçlar

• %26’nın üzerindeki verim deneysel bir güneş hücresinde ölçülmemiştir.
• Önerilen Cs₂AgBi_0,75Sb_0,25Br₆ katman yapısının üretilebilirliği gösterilmemiştir.
• Hücrenin nem, oksijen, ışık, sıcaklık döngüsü ve uzun dönem çalışma kararlılığı değerlendirilmemiştir.
• Random Forest modelinin gerçek laboratuvar verilerine genellenebildiği kanıtlanmamıştır.
• Yüksek katkılama ve 10¹⁰ cm⁻³ kusur yoğunluğu gibi ideal parametrelerin pratik üretimde elde edilebildiği gösterilmemiştir.
• Kurşunsuz olmanın cihazın bütünü için otomatik olarak toksikolojik veya çevresel açıdan risksiz olduğu kanıtlanmamıştır.
• Modül ölçeği, seri bağlantılar, kapsülleme, üretim maliyeti ve saha verimi modellenmemiştir.

Çalışmanın geçmiş, bugün ve gelecek açısından önemi

Geçmişte güneş hücresi optimizasyonları çoğunlukla bir veya birkaç parametrenin sırayla değiştirilmesiyle yürütülürken bu çalışma, çok sayıda simülasyon çıktısını makine öğrenmesiyle birlikte değerlendiren yaklaşımı kullanmaktadır. Bugünkü katkısı, kurşunsuz çift perovskit tasarımlarında geniş parametre uzayının hangi bölgelerine öncelik verilebileceğini göstermesidir.

Gelecekte bu yaklaşımın bilimsel değer kazanabilmesi için simülatör çıktılarının gerçek malzeme ölçümleriyle kalibre edilmesi, deneysel olarak üretilmiş hücrelerle dış doğrulama yapılması, belirsizlik aralıklarının raporlanması ve nihai parametre setindeki çelişkilerin giderilmesi gerekir. Makine öğrenmesi burada deneyin yerine geçen bir kanıt değil, deneysel araştırmayı yönlendirebilecek bir ön tarama aracıdır.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımının teknik özeti

Başlıca model ve veri sınırlılıkları

• 3.888 kayıt SCAPS-1D simülasyonundan gelmektedir; bağımsız deneysel hedef verisi kullanılmamıştır.
• Random Forest için ağaç sayısı, düğüm başına özellik sayısı, maksimum derinlik ve seçilen nihai hiperparametreler ayrıntılı biçimde bildirilmemiştir.
• Ham veri kümesi, eğitim kodu ve model dosyası yüklenen çalışmada paylaşılmamıştır.
• Metinde CB durum yoğunluğu, VB durum yoğunluğu, boşluk hareketliliği ve elektron hareketliliğinin çıkarıldığı yazılmakta; hemen ardından “üç özellik çıkarıldı” denmektedir. Listelenen dört özellik ile bildirilen sayı uyuşmamaktadır.
• Çıkarılan özelliklerden sonra aynı giriş değerlerine sahip ancak farklı hedefleri bulunabilecek kayıtların veri bölme sürecine nasıl dağıtıldığı açıklanmamıştır.
• Eğitim ve test kümelerinin yinelenen veya aynı azaltılmış özellik kombinasyonlarını içerip içermediği belirtilmemiştir.
• Model başarısı yalnızca simülasyon veri dağılımı içinde değerlendirilmiş, farklı bir simülatör veya deneysel veriyle dış doğrulama yapılmamıştır.

Grafiklerin temel mesajları

• Şekil 1: Işığın cam ve ITO tarafından girdiği; ZnO, çift perovskit, CZTSe ve Au katmanlarının üst üste yerleştirildiği cihaz mimarisini göstermektedir.
• Şekil 2: Optimize edilmemiş cihazın %15,60 verim verdiğini ve akımın yaklaşık 1,2 V sonrasında hızla düştüğünü göstermektedir.
• Şekil 3: Veri temizleme, model seçme, eğitim, değerlendirme ve tahmin adımlarından oluşan makine öğrenmesi iş akışını sunmaktadır.
• Şekil 4: Aynı veri kümesinden farklı karar ağaçlarının oluşturulup tahminlerinin ortalandığı Random Forest mantığını göstermektedir.
• Şekil 5: Eğitim ve test tahminlerinin ideal doğru çevresinde toplandığını göstermektedir. Şekil başlığında yanlışlıkla cihaz şeması ifadesi kullanılmıştır.
• Şekil 6: Başlığı genel bir makine öğrenmesi uygulamasını ifade etse de görsel gerçekte giriş parametrelerinin PCE ile korelasyonlarını göstermektedir.
• Şekil 7: Elektron ilgisi ve bant aralığının en geniş SHAP etkisine sahip olduğunu göstermektedir.
• Şekil 8: Bant aralığı yükseldikçe V_OC artarken J_SC ve PCE’nin düştüğünü; elektron ilgisinin özellikle FF üzerinde etkili olduğunu göstermektedir.
• Şekil 9: Soğurucu kalınlığının artırılmasının performansı yükselttiğini; akseptör yoğunluğunun ise V_OC, J_SC ve FF üzerinde farklı yönlerde etkiler oluşturduğunu göstermektedir.
• Şekil 10: Kusur yoğunluğu yükseldikçe bütün fotovoltaik parametrelerin, özellikle yüksek kusur bölgesinde, belirgin biçimde düştüğünü göstermektedir.
• Şekil 11: Sıcaklık artışının PCE, V_OC ve FF’yi düşürdüğünü, J_SC değerinin ise yaklaşık sabit kaldığını göstermektedir.
• Şekil 12: Optimize edilmiş olarak sunulan eğride V_OC = 1,70 V, J_SC = 16,81 mA·cm⁻², FF = %92,16 ve PCE = %26,53 değerlerini vermektedir.

Sonuçların yayıma uygun teknik yorumu

Araştırma, makine öğrenmesinin fizik tabanlı bir simülatörün ürettiği geniş veri kümesini özetlemek ve öncelikli parametreleri seçmek için kullanılabileceğini göstermektedir. En güçlü sonuç, Random Forest modelinin elektron ilgisi ve bant aralığını performans tahmininde öne çıkarmasıdır.

Buna karşılık %26’nın üzerindeki verimler deneysel başarı olarak sunulmamalıdır. Bunlar idealize edilmiş giriş parametreleri, düşük kusur yoğunluğu ve belirli arayüz varsayımları altında elde edilen SCAPS-1D sonuçlarıdır. Çalışmadaki nihai parametre ve performans uyumsuzlukları giderilmeden tek bir optimize edilmiş cihaz reçetesi oluşturmak mümkün değildir.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı:Machine Learning–Based Optimization of Photovoltaic Performance in Lead-Free Inorganic Perovskite Solar Cells

Yazarlar ve sıraları: Prithick Saha; Sangeeta Singh; Sanjib Bhattachary.

Eş birinci yazar veya eş katkı bilgisi: Çalışmada yer almamaktadır.

Sorumlu yazar: Prithick Saha.

Kurumsal bağlantılar:

1. Electronics and Communication, Dream Institute of Technology, Kolkata, West Bengal, Hindistan.
2. Electronics and Communication, National Institute of Technology Patna, Bihar, Hindistan.
3. UGC-MMTTC (Physics), University of North Bengal, Siliguri, West Bengal, Hindistan.

DOI: 10.2139/ssrn.7201954.

Dergi: Hakemli bir dergi adı veya kabul edilmiş dergi sürümü doğrulanmamıştır.

Yayın platformu: SSRN.

Özgün yayınevi: Bulunmamaktadır. SSRN bir preprint ve erken araştırma paylaşım platformudur; hakemli bilimsel dergi veya özgün yayınevi olarak değerlendirilmemelidir.

Platform sahibi: Elsevier Inc.

Yayın yılı: 2026.

Kaynak türü: Yarı iletken cihaz simülasyonu ve makine öğrenmesi modellemesi içeren preprint.

Hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu sınırlılık dikkate alınarak okunmalıdır.

Resmî kaynak bağlantısı:https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7201954

Bu Türkçe açıklama yüklenen çalışmanın tamamı, denklemleri, iki tablosu ve on iki şekli incelenerek hazırlanmıştır. Bilimsel içerik yalnızca çalışmada sunulan yöntem, simülasyon ve sonuçlara dayandırılmış; dış kaynaklardan yeni bir fotovoltaik bulgu eklenmemiştir. Dış kontrol yalnızca DOI, platform ve yayın durumunun doğrulanması için kullanılmıştır.

Çalışmanın temel sınırlılıkları; sonuçların deneysel değil simülasyona dayalı olması, modelin yalnızca SCAPS-1D verisiyle eğitilmesi, gerçek cihazla dış doğrulama yapılmaması, ham veri ve kodların sunulmaması, Random Forest hiperparametrelerinin eksik bildirilmesi, idealize edilmiş düşük kusur yoğunluklarının kullanılması ve nihai verim ile optimum parametrelerde metin içi çelişkiler bulunmasıdır.

Çalışma gerçek bir hücre üretimi, laboratuvar ölçümü, prototip modül, saha testi, uzun dönem kararlılık veya ticari uygulanabilirlik kanıtı sunmamaktadır. Bildirilen %26 düzeyindeki güç dönüşüm verimleri yalnızca sayısal model çıktılarıdır.