AI пришвидшує відкриття матеріалів для сучасної технології перовскітних сонячних панелей

Прогнозування електронних властивостей перовскітів: новий підхід команді з Пекінського університету

Команда з Пекінського університету та його Шеньчженьської аспірантської школи здійснила прорив у галузі альтернативної енергетики. За допомогою моделей машинного навчання вони розробили методи, які дозволяють швидко і точно передбачати критичні електронні властивості галогенідних перовскітів — важливих компонентів сонячних елементів наступного покоління. Ці інноваційні рішення спрощують пошук оптимальних сполук, зосереджуючись на ключових параметрах, як-от мінімум провідної зони (CBM), максимум валентної зони (VBM) та енергія забороненої зони.

Галогенідні перовскіти з їхньою кристалічною структурою ABX3 є майбутнім сонячної енергетики завдяки своїм видатним фотогалузевим характеристикам, легкості виготовлення та низькій вартості. Проте, постають серйозні виклики, такі як токсичність використання свинцю та проблеми стабільності, які вимагають нових рішень з докладними бенд-структурами.

Знання про CBM, VBM і енергію забороненої зони є критично важливими для покращення ефективності сонячних пристроїв, оскільки ці властивості визначають здатність до поглинання світла та перенесення зарядів. Традиційні методи, такі як високо-продуктивний скринінг та моделювання з використанням теорії функціоналу щільності (DFT), є надійними, але дуже ресурсозатратними. Саме тут на сцену виходять моделі машинного навчання.

Дослідники використовували метод Extreme Gradient Boosting (XGB) для створення прогностичних моделей, здатних оцінювати електронні характеристики бенд-структур перовскітів. Моделі XGB показали високу точність, досягаючи значень кореляції R 0.8298 для CBM, 0.8481 для VBM та 0.8008 для прогнозування енергії забороненої зони з використанням функціоналу Heyd-Scuseria-Ernzerhof (HSE). Однак ще більша точність була досягнута із застосуванням функціоналу Perdew-Burke-Ernzerhof (PBE), який дозволив досягти R 0.9316 та середньої абсолютної помилки (MAE) лише 0.102 еВ.

Ці моделі машинного навчання також відкривають двері до нових знань у галузі хімії та структури перовскітів, виявляючи, які з них найбільше впливають на електронні енергетичні рівні. Результати аналізу SHAP надали дорожню карту для створення більш ефективних перовскітів, надаючи нові екологічні та економічно вигідні заміни традиційним методам.

Майбутні перспективи команди полягають у злитті інтерпретованості поверхневих моделей машинного навчання з глибиною нейронних мереж, що відкриває нові горизонти у матеріалознавстві. Цей підхід має величезний потенціал для розвитку сонячних технологій з покращеною ефективністю, стабільністю та екологічною безпекою — важливий крок на шляху до енергетичного майбутнього.