8月27日消息，AZoM报道，研究人员开发了一种多阶段机器学习框架，可快速预测电子带隙并对氧化物钙钛矿进行光伏应用潜力筛选——从超过50万个候选结构出发，逐步收窄至一小批（38个）带隙匹配的组分，这些候选材料现在需要更高层级的计算与实验验证。

钙钛矿型氧化物是光伏材料研究的热门方向之一，其元素组合空间极其庞大：A位、B位阳离子与氧空位的不同组合可衍生出数十万乃至百万级候选结构。传统密度泛函理论（DFT）计算单个结构的带隙需要可观的算力与时间，逐一计算50万个结构并不现实。

该框架采用"多阶段漏斗"策略：先用低成本的机器学习模型对全库进行快速带隙预测，再逐级用更高精度的模型与更严格的化学合理性约束过滤，最终收敛到38个带隙落在光伏可用窗口内的组分。这种分级筛选思路与制药行业的虚拟筛选（高通量粗筛+精细打分）同构，是把AI算力前置到材料发现环节的典型实践。

报告同时强调，机器学习筛选给出的是"值得计算的候选"而非"最终答案"——38个组分仍需DFT精算与实验室合成验证，模型的假阳性率与训练数据偏差决定了漏斗的效率。同类方法若与自动化实验平台结合，有望将新型光伏材料的发现周期从数年压缩到数月。 （来源：AZoM）