光电转换效率的进一步突破，核心不在于表面性能参数的堆栈，而在于对组件内部能量损失机制的精确量化与定位。在太阳能电池研究领域，特别是钙钛矿（Perovskite）、硅基（Silicon-based）及叠层（Tandem）体系中，准费米能级分裂（Quasi-Fermi Level Splitting, QFLS）已经成为一种定量工具。QFLS代表导带中电子准费米能阶 (E_F,e) 和价带中电洞准费米能阶 (E_F,h) 之间的能量差，本质上是载流子集合的化学势能。尽管开路电压 (VOC) 理论上应等于 QFLS，但实际组件中，两者的失配正是识别传输层（Transport Layer, TL）或界面接触处电化学势损失的关键线索。
此文章探讨学术界如何运用 QFLS 及其空间分布图，精确界定非辐射复合（non-radiative recombination）的根源，并讨论高精度 QFLS 检测设备如何加速下一代光伏材料的研发进程。
一、QFLS：精准量化电压损失来源
QFLS 测量的首要优势在于能够将组件的能量损失来源进行清晰的定量划分。这让研究人员能够判断电压损失究竟源于材料体内部（bulk recombination）还是界面处（interface recombination）。
钙钛矿组件中的 QFLS 与 VOC 失配
在钙钛矿太阳能电池（PSCs）的研究中，学者 Warby、Neher 与 Stolterfoht 等人发现 QFLS 与 VOC 之间存在显著失配现象。该研究显示，界面复合电流往往远高于体内复合电流，差距可达 10 到 1000 倍。这种失配的机制被模拟结果指向移动离子（如卤化物空位）在高密度下累积于空穴选择性接触层（Hole Selective Contact, HSC）附近。这导致了电子选择性降低，进而造成 QFLS 与 VOC 不一致。
这项发现证明，如果仅依赖 J-V 特性曲线所得的 VOC 数据，可能无法准确判断电压损失的实际来源。QFLS 反映的是材料本身的「内在电压」潜力，而 VOC 则是特定组件结构下的「外在电压」表现。两者间的差异成为工程师优化界面、抑制离子迁移的关键依据。
图9a展示了QFLS与VOC随着光照时间的演变，清晰地揭示了两者之间的失配。来自：Mismatch of Quasi–Fermi Level Splitting and Voc in Perovskite Solar Cells
利用 QFLS 指导材料添加剂优化，加速研发进程
QFLS 能够作为筛选工具，有效指导组件设计与材料选择。Jansse 与 Kessels 对于锡铅基钙钛矿太阳能电池的研究中，评估了甘胺酸盐酸盐（Glycine hydrochloride, GlyHCl）的影响。他们发现 GlyHCl 的添加能改善钙钛矿体材料质量，但在浓度达到 4 mol% 时，QFLS 会出现明显的 93 meV 损失。这归因于过量的 GlyHCl 形成了缺陷态，反而促进了非辐射复合。
研究中，透过光强度依赖的 QFLS 测量，以及从玻璃侧和薄膜侧取得的 QFLS 数据，精准锁定了材料添加浓度。这类精确的 QFLS 定量分析能够大幅缩短研发周期，避免盲目试错。
图3a清晰地展示了不同GlyHCl浓度下钙钛矿薄膜的QFLS值，以及从玻璃侧和钙钛矿膜侧测得的数据，并标示了辐射极限与QFLS损失。来自：Unraveling the Positive Effects of Glycine Hydrochloride on the Performance of Pb–Sn-Based Perovskite Solar Cells
图4a则提供了光强度依赖的QFLS测量结果及理想因子 (ideality factors) 。来自：Unraveling the Positive Effects of Glycine Hydrochloride on the Performance of Pb–Sn-Based Perovskite Solar Cells
二、QFLS 在载流子动力学与空间均匀性中的应用
QFLS 直接反映了电荷载流子的浓度与复合速率。透过分析 QFLS，可以评估载流子寿命、掺杂浓度等关键电子特性。
载流子寿命、QFLS 与掺杂浓度估算
Damilola Adeleye 等学者探讨了富铜 CuInS2 吸收层，指出较高的 QFLS 可能归因于复合活动减少，或更高的掺杂水平。QFLS 受光激发载流子浓度、激发与复合影响的少数载流子准费米能阶所控制。同时，在低激发下，它也受掺杂水平影响的多数载流子准费米能阶控制。研究透过 QFLS 与载流子寿命数据的变化趋势，阐明了材料生长条件与光电性能之间的复杂关系。
图3a呈现了QFLS和载流子寿命随着Cu/In比率以及不同生长温度的变化趋势。来自：Lifetime, quasi-Fermi level splitting and doping concentration of Cu-rich CuInS2 absorbers
推荐使用Enlitech QFLS-Maper检测设备，不仅能测量QFLS，还能在几分钟内得到伪J-V曲线 (Pseudo J-V curves)。这项功能特别适合在材料开发早期，快速预测材料的理论效率上限，从而筛选出具有高效率潜力的材料，有效降低实验成本和时间。QFLS-Maper还能进行分层测量，让我们了解每种材料层对整体效率极限的影响。
QFLS 分布图的可视化与缺陷定位
光伏材料的性能表现与其空间均匀性高度相关。QFLS 分布图（QFLS mapping）提供了空间维度的洞察力，用于评估复合损失及内部电压。
Henry J. Snaith等学者在研究多结太阳能电池时，使用 QFLS 分布图评估了复合损失。
图3a展示了从2mm x 2mm PLQE图像计算出的QFLS分布图。来自：Steering perovskite precursor solutions for multijunction photovoltaics
Cacovich 与 Grancini 等人使用超光谱成像仪（Hyperspectral Imager, HI）获取 PL 图像并确定 QFLS 值。他们展示了 QFLS 分布图如何清晰呈现器件表面 QFLS 的空间分布，从而精确定位局部非辐射复合的热点来源。例如，透过比较不同表面处理（如 Cl-PEAI、F-PEAI 处理组）样品的 QFLS 分布图，能直观评估界面钝化效果的差异。
图3a、b、c清晰地展示了对照组、Cl-PEAI处理组和F-PEAI处理组样品的QFLS分布图。来自Imaging and quantifying non-radiative losses at 23% efficient inverted perovskite solar cells interfaces
三、QFLS 作为学术基准与性能预测的基石
在学术出版与组件性能预测方面，QFLS 扮演着提供扎实定量证据与通用性能基准的角色。
定量证据与稳定性评估：
Z. Peng, Christoph J. Brabec等学者将 QFLS 应用于加速老化研究。他们指出，从 PL 分布图获得的 QFLS 值基于定义区域内的平均 PL 强度，这不仅提供了统计上更稳健的结果，也使得薄膜均匀性评估成为可能。透过观察 QFLS 值及其随光热老化过程的变化，为材料的长期稳定性提供了量化依据，增强了研究结果的说服力。
图3a和3b展示了在光热老化过程中，QFLS值及其随时间的变化，为材料的稳定性分析提供了定量依据。来自：Quantitative Link between Potential Losses and Perovskite Solar Cell Stability During Accelerated Ageing
性能预测与材料筛选：
QFLS、光致发光量子效率（Photoluminescence Quantum Efficiency, PLQY）与 VOC 之间存在分析循环，使研究人员能够在实际制程前，快速筛选钝化分子或电荷传输层（Charge-Transport Layers, CTLs）材料。
Aouni 等人透过详细的平衡模型（Detailed Balance Model）将 PLQY 与 QFLS 关联起来，计算 QFLS = QFLS_rad + kTln(PLQY)。研究证实，界面层的添加能够显著提高 PLQY 和 QFLS，并降低非辐射损失。这种直接的性能预测能力极大地加速了高效率材料的筛选效率。
表6比较了不同结构的QFLS、PLQY和非辐射损失，清楚地展示了界面层的添加如何显著提高PLQY和QFLS，并降低非辐射损失。来自：Achieving Quasi-Fermi level splitting near its radiative limit in efficient and stable 2D/3D perovskite solar Cells: Detailed balance model
四、QFLS-Maper 在严谨研究中的应用
面对上述学术界对 QFLS 表征的严苛要求，专业级的检测设备至关重要。如 Enlitech 光焱科技的 QFLS-Maper 检测设备，正是为满足这些研究需求而设计。
该设备能够快速获取 QFLS 分布图，几秒钟内即可评估不同制程条件下材料的 QFLS 均匀性与效率潜力。这种快速可视化能力尤其适用于制备过程中的逐层测试，快速了解每一层材料对整体组件性能的影响，从而缩短实验周期。
QFLS-Maper 具备多模态功能，整合了 QFLS、iVOC、伪 J-V 曲线（Pseudo J-V curves）、PL 图像、PLQY、EL 图像等多种检测手段。这使得研究人员在材料开发早期，即可透过伪 J-V 曲线快速预测材料的理论效率上限，有效筛选高效率潜力材料。该设备的高动态范围（光学强度达 5 个数量级以上）和高灵敏度（PLQY 可测至 10^-4%）特点，确保了数据的准确性和国际可比性，为发表高质量学术成果提供了坚实的基础。
QFLS 已成为太阳能光伏研究领域从定性分析迈向定量精确的桥梁。它不仅提供了材料本身的内在电压潜力，更精准地定位了电压损失的物理根源，无论是体内复合、界面缺陷，还是离子迁移。透过 QFLS 及其空间分布图，光电领域的专家能够高效指导材料设计、优化组件结构，为实现更高效率、更稳定的新一代太阳能电池提供明确的研发方向。
