基于机器学习的二维金属卤化物光电探测器逆向设计

《Optics & Laser Technology》:Inverse design of 2D metal halide photodetectors based on machine learning

【字体: 大 中 小 】 时间:2026年10月01日 来源:Optics & Laser Technology 4.6

编辑推荐:

   摘要二维(2D)金属卤化物光电探测器在高性能光电应用领域具有巨大潜力。然而,由于响应度和探测率受材料、结构、接触和工作条件等多重耦合描述符的控制,这些器件的设计仍然面临挑战。本研究基于一个由文献数据汇编而成的包含224条器件性能记录的文献数据集,提出了一种物理约束的逆向设计框

  

摘要

二维(2D)金属卤化物光电探测器在高性能光电应用领域具有巨大潜力。然而,由于响应度和探测率受材料、结构、接触和工作条件等多重耦合描述符的控制,这些器件的设计仍然面临挑战。本研究基于一个由文献数据汇编而成的包含224条器件性能记录的文献数据集,提出了一种物理约束的逆向设计框架,该框架集成了机器学习预测、SHAP(SHapley可加性解释)分析、领域知识引导的因果效应估计、基于主成分分析(PCA)的适用范围评估以及有限元仿真。结果表明,XGBoost和随机森林(RF)分别是响应度和探测率的最优代理模型。SHAP分析表明,带隙是两项预测目标的主要预测描述符。基于有向无环图(DAG)引导的g-计算估计方法,在暴露特异性后门调整下评估了目标依赖的总干预效应,并识别出涉及电子结构相关、接触相关和间隔层相关描述符的物理合理路径。逆向设计过程生成了十个化学可接受的描述符级构型,指向原始描述符空间中的高性能区域,其器件级性能随后通过有限元仿真进行了计算评估。PCA分析将候选构型定位在稀疏的高性能边界附近。本研究为高性能二维金属卤化物光电探测器的数据驱动设计提供了一种可解释的、物理约束的机器学习范式。

引言

二维金属卤化物钙钛矿已成为一类极具前景的光电材料,这得益于其可调的化学组成、天然的层状量子阱结构、与光的强相互作用以及宽光谱响应[1], [2], [3]。凭借这些优势,它们已被广泛应用于光电探测器、太阳能电池、发光器件和光催化等多种应用中[4], [5], [6]。作为光电探测器的核心性能指标,响应度和探测率直接决定了器件的光响应灵敏度和微弱信号判别能力[7]。然而,这两个性能指标并非由单一变量决定,而是受材料组成、层状结构、接触配置、器件架构、偏压条件和入射光强度等多种因素的联合影响[8]。这种多维耦合使得二维金属卤化物光电探测器的理性设计本质上十分复杂。
近年来,多项研究致力于通过组成工程、维度调控、界面优化和器件结构设计来提高卤化物钙钛矿光电探测器的性能[9], [10]。这些研究增进了人们对光电转换过程的理解,并表明带隙、结构畸变、接触特性和测试条件的变化会强烈影响器件性能[11]。然而,这些器件的性能优化仍然在很大程度上依赖于经验驱动的参数调节和实验筛选。现有研究通常以逐步方式优化材料组成、层状维度、界面接触和器件架构,随后进行器件制备和性能表征以筛选高性能候选体系[12]。尽管这一策略推动了二维金属卤化物光电探测器的发展,但它本质上仍然是一种局部参数搜索方法。这一过程通常需要大量实验迭代,难以系统性地探索由多变量耦合引起的高维设计空间。
为克服纯实验试错优化的局限性,理论和计算方法也被广泛用于研究钙钛矿相关体系中的结构-性能关系。第一性原理计算可以为能带结构、缺陷态、电荷传输和界面特性提供有价值的机理洞察[13], [14]。然而,其在大规模筛选中的应用受到高昂计算成本的限制,特别是在需要同时考虑大量候选材料和耦合描述符时。因此,需要一种更为高效的策略来弥合高维描述符空间与目标器件性能之间的鸿沟。在此背景下,机器学习已成为材料发现、性能预测和理性设计的一项有力工具[15], [16]。通过学习结构化数据中的隐藏模式,机器学习模型可以快速建立描述符与目标属性之间的定量映射关系,从而与传统实验或计算密集型工作流程相比大幅减少时间和资源消耗[17]。机器学习也被广泛应用于光学图像处理与检测领域,包括工业金属表面镜面反射去除、深度学习辅助的数字全息显微镜相位处理以及基于增强目标检测网络的表面缺陷检测[18], [19], [20]。与这些以图像和信号为导向的应用不同,材料逆向设计学习的是材料/器件描述符与目标属性之间的关系,随后在描述符空间中搜索高性能构型。
现有研究已展示了机器学习在光电材料筛选和光电探测器设计方面的潜力。机器学习已被应用于吸光卤化物钙钛矿的发现、无铅钙钛矿光电性能的预测以及有机或杂化光电探测器的设计[21]。然而,传统机器学习模型往往缺乏可解释性,这限制了它们为描述符-性能关系提供清晰物理洞察的能力[22]。可解释机器学习已被开发用于提高数据驱动模型的透明度。基于SHAP的分析已被广泛用于量化非线性特征贡献并揭示输入变量对模型输出的相对影响[23]。领域知识引导的因果效应估计提供了一种面向机理的分析途径,用于在物理约束的结构假设下评估变量效应的方向和大小[24], [25]。现有关于光电探测器的机器学习研究仍然主要集中在提高预测准确性、信号分类和特征重要性排序方面。这些分析可以识别出有影响的描述符,但无法完全解释这些描述符如何调控器件性能、其效应是有利还是有害,以及它们对性能提升的贡献程度如何。
在本研究中,我们通过集成机器学习预测、基于SHAP的解释分析、领域知识引导的效应估计、适用范围评估和有限元验证,开发了一种面向二维金属卤化物光电探测器的机理引导逆向设计框架。总体工作流程如图1所示。与主要关注预测准确性或特征重要性排序的传统机器学习研究不同,所提出的框架不仅能够识别关键描述符及其效应方向,还能评估逆向设计候选构型在原始描述符空间中的分布可靠性。通过进一步利用有限元仿真对生成候选构型的器件级物理可行性进行评估,该策略为数据驱动的光电探测器设计提供了一条可解释的、物理约束的技术路线。

章节摘要

SHAP(SHapley可加性解释)

本研究采用SHAP来解释优化后的机器学习模型的预测结果,并量化每个输入描述符对预测光电探测器性能的贡献[26]。SHAP基于合作博弈论,将模型预测分解为一个基线值和一组特征归因值[27]。特征i的Shapley值定义如下:?i=∑S?N\i|S|!(n-|S|-1)!n!f(S∪i)-f(S)
其中,?i表示特征i的贡献;N表示所有

数据集

本研究采用一个通过Web of Science数据库系统文献检索获得的可公开获取的数据集,检索关键词为"二维卤化物钙钛矿光电探测器"[35]。初步检索共获得158篇出版物。随后,按照研究类型对文献进行筛选,排除了23篇综述文章和8篇会议论文,仅保留报告了明确实验数据的研究论文。所研究的材料

机器学习模型预测性能比较

为系统评估不同机器学习模型对二维金属卤化物钙钛矿光电探测器关键性能参数的预测能力,本研究以响应度和探测率作为预测目标。如表2和表3所示,基于树的模型始终优于线性模型、支持向量回归(SVR)和单独的决策树,表明输入描述符与光电探测器性能之间存在显著的非线性关系。

结论

本研究为二维金属卤化物光电探测器开发了一种数据驱动且物理约束的逆向设计框架。该框架集成了机器学习预测、基于SHAP的解释分析、领域知识引导的因果效应估计、基于PCA的适用范围评估以及有限元验证,形成了从描述符性能建模到器件级验证的完整工作流程。模型比较结果表明,XGBoost的表现最佳

CRediT作者贡献声明

姚瑞光:撰写——初稿。陶宇杰:项目管理。肖建博:方法论。高军:形式化分析。缪艳飞:调查研究、形式化分析。黄小萍:撰写——审阅与编辑、概念构思。

利益冲突声明

作者声明不存在已知的可能影响本文所报告工作的竞争财务利益或个人关系。
姚瑞光|陶宇杰|肖建博|高军|缪艳飞|黄小萍
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号