钙钛矿电池换新材料就失准：把固溶体连续性写进模型，未见合金误差降15.7%–19.0%

钙钛矿太阳能电池的机器学习预测开始面向未记录过的合金和陌生器件结构，而不是只在已见过的材料标签之间插值。 此前的模型多把器件各层当作任意类别标签，吸收层要么用无特征的组分向量表示，要么用需要预先解出晶胞的刚性晶体图表示，因此难以外推到未记录的合金或不熟悉的电池结构。 在测试器件全部来自未见实验室的分组协议下，V-PaSS的默认未调参配置在十四种被测模型中误差最低，平均绝对误差为2.861%，相对梯度提升基线的3.017%降低5.2%，并优于最佳调参基准的2.912%。

模型把混合阳离子、混合卤素吸收层当作连续固溶体来处理，因此新合金落在已知端点之间时仍能给出预测。 做法是用Vegard定律对23种纯$ABX_3$端点化合物的弛豫晶体图做插值，并加入可学习的带隙弯曲项；器件堆叠一侧则把层序与电池极性（n-i-p或p-i-n）同界面能带偏移耦合起来，化学描述由科学语言模型编码。 在测试器件与训练集差异最大的地方，V-PaSS的优势最明显：未见吸收层合金上误差降低15.7%–19.0%，来自新实验室的混合吸收层上降低16.1%，在具有未观测传输层的器件上相对基线的领先扩大到3.6倍。

报道范围限于摘要所述内容：V-PaSS面向钙钛矿太阳能电池，用23种纯$ABX_3$端点化合物的弛豫晶体图插值表示混合阳离子、混合卤素吸收层，并把层序、电池极性、界面能带偏移和化学描述一并编码。评估采用测试器件全部来自未见实验室的分组协议，比较对象是十四种被测模型。适合关注材料机器学习外推与钙钛矿器件筛选的研究人员和工程师阅读。

摘要报告的是默认未调参配置与十四种被测模型的比较结果，以及未见合金、新实验室混合吸收层和未观测传输层上的分项误差变化；这些数字来自该分组协议下的评估，摘要未说明其他数据划分或器件类型上的表现。