香港城市大学（City University of Hong Kong）机械工程系的 Agnes Valencia、Fei Liu、Xiangyang Zhang 等研究人员在《Scientific Data》期刊上发表了题为 “Auto-generating a database on the fabrication details of perovskite solar devices” 的论文。这篇论文在钙钛矿太阳能电池领域意义重大，它为该领域的数据整理和研究提供了全新的思路与方法，有助于推动钙钛矿太阳能技术的进一步发展 。
研究背景
钙钛矿太阳能电池（Perovskite Solar Cell，PSC）作为极具潜力的第三代光伏技术，自 2009 年首次被报道以来，受到了广泛关注，相关研究论文数量超过万篇。然而，这些海量的科学文献大多以自然语言撰写，其中的数据分散且非结构化，这使得研究人员难以充分利用这些数据。在科研工作中，将数据进行整理并以标准化格式呈现变得十分必要，它有助于软件和研究人员更高效地获取和使用数据。此前，已有诸多项目致力于不同领域的数据整理，例如疲劳数据库、居里和奈耳温度材料数据库、电池材料数据库等，这些项目将非结构化的分散数据处理成结构化的数据形式。
为了解决上述问题，香港城市大学的研究团队提出利用自然语言处理（Natural Language Processing，NLP）算法来提取钙钛矿太阳能器件数据，其研究工作分为两个阶段。
第一阶段：从施普林格・自然（Springer Nature）和英国皇家化学会（Royal Society of Chemistry，RSC）获取了 1824 篇 HTML 格式的期刊文章，同时获取了 1460 个 PDF 格式的补充数据文件。这些文章是 “The Perovskite Database” 中已有记录的文章，经过处理后用于评估算法。在数据处理过程中，先对 HTML 文本进行预处理，去除 HTML 标签和其他不必要部分，将剩余内容与相关 PDF 文件内容存储为 TXT 文件，利用 ChemDataExtractor 提供的化学命名实体识别（Chemical Named Entity Recognition，NER）工具识别化学名称，并手动添加一些钙钛矿太阳能电池领域常用但未被 NER 工具收录的化学名称。利用 Beautiful Soup 库获取期刊文章的元数据，如 DOI、第一作者、出版日期等，其他 25 个字段则通过基于规则的算法从文本中挖掘。对于离散值字段，采用基于规则的分类方法；对于非离散值字段，如旋涂速度和持续时间，则采用基于规则的预测方法。之后对数据进行后处理和数据库集成，按照规则对部分字段进行格式化，如将 “CH3NH3” 和 “H3CNH3” 替换为 “MA”，并使用 PyMySql 包将格式化后的数据存入数据库。最后进行数据过滤，选择七个关键字段，要求至少五个字段不为空才能保留记录，经过筛选，第一阶段保留了 1505 条记录用于算法的技术验证。
第二阶段：借助网络爬虫工具获取期刊文章。从施普林格・自然检索到 917 篇 HTML 格式的全文文章，从英国皇家化学会检索到 7508 篇 HTML 格式文章及相应的 PDF 补充数据文件（若有）。后续的文本预处理、数据挖掘、数据后处理和数据库集成方法与第一阶段类似，最终保留了 3164 条数据记录。
研究结果
数据集构成：研究得到的数据集以 JSON 格式存储在 Figshare 平台上，包含 30 个字段。其中，字段 1 - 5 为描述器件的论文的识别信息，即元数据；字段 6 - 19 是器件的固有数据和外在电池定义，如组成钙钛矿层的材料信息、电池的柔韧性和结构等；字段 20 - 30 记录了器件制造过程的详细信息，包括各层的沉积方法和参数。例如，常见的 HTL（空穴传输层，Hole Transport Layer）材料有 Spiro - OMeTAD、PEDOT:PSS 等，ETL（电子传输层，Electron Transport Layer）材料有 TiO₂、SnO₂等，钙钛矿层常见的短形式为 MAPbI。在沉积方法方面，旋涂是实验室研究中最常用的沉积技术，但它存在材料浪费高、处理时间慢和基板尺寸受限等问题，因此一些研究人员开始转向刮刀法和狭缝涂布法等。此外，研究还发现 FTO（氟掺杂氧化锡，Fluorine - doped Tin Oxide）涂层玻璃和 ITO（氧化铟锡，Indium Tin Oxide）涂层玻璃是最常见的基板，这表明大多数已发表工作中的制造器件是非柔性的，最常见的顶部接触材料是 Au（金），主要的顶部接触沉积方法是热蒸发。
算法性能评估：为了评估算法的性能，研究人员将第一阶段生成的 1505 条记录与 “The Perovskite Database” 中的记录进行比较。对于分类器，使用了准确率（Accuracy）、精确率（Precision）、召回率（Recall）和 F1 分数这四个评估指标；对于预测器，则使用准确率评估。结果显示，20 个字段的自动验证平均准确率为 0.899，14 个分类器的平均精确率和召回率分别为 0.933 和 0.927。这表明算法在整体上能够较好地提取数据，在减少误报方面表现出色，并且能够识别出大部分实际的正例。然而，手动评估也发现了一些限制性能指标的因素，如文章中讨论了多个器件，算法难以识别出经过改进的器件；已发表文章存在不一致和错误；文章写作或呈现数据的方式不常规导致解析错误；以及 “The Perovskite Database” 中的人为错误等。
从钙钛矿太阳能电池领域的发展来看，虽然目前精确预测器件性能仍然具有挑战性，因为钙钛矿太阳能器件结构复杂，由多个层组成，且在制造过程中受环境因素影响较大。但该研究成果为后续研究奠定了基础，通过将此算法与其他算法和材料数据库（如 “The Perovskite Database”）集成，可以更深入地了解影响器件性能的因素，从而实现对器件性能的精确预测，最终推动材料和器件的优化，促进钙钛矿太阳能电池技术的进一步发展和应用。
生物通微信公众号
