《RSC Advances》:A dual-descriptor machine learning framework for evaluating perovskite passivation materialsOpen Access
编辑推荐:
分子钝化在提高钙钛矿光电器件效率和稳定性中起着关键作用。然而,由于必须同时考虑界面结合强度和晶格畸变,钝化材料的定量评估仍然具有挑战性。在此,研究人员开发了一种基于密度泛函理论(DFT)导出数据集的**双描述符机器学习框架**,用于从分子结构描述符中评估**结
分子钝化在提高钙钛矿光电器件效率和稳定性中起着关键作用。然而,由于必须同时考虑界面结合强度和晶格畸变,钝化材料的定量评估仍然具有挑战性。在此,研究人员开发了一种基于密度泛函理论(DFT)导出数据集的**双描述符机器学习框架**,用于从分子结构描述符中评估**结合能(BE)** 和**晶格畸变值(LDV)**。在评估的算法中,**随机森林(RF)** 在两个目标上都取得了最佳性能,预测BE的**均方根误差(RMSE)** 为0.524,**相关系数(r)** 为0.976;预测LDV的RMSE为0.048,r为0.848。特征分析表明,BE主要受与铵基电子效应和分子极性相关的描述符控制,而LDV则受更广泛的电子和空间特征影响,反映了晶格畸变更复杂的起源。使用代表性修饰剂的验证进一步表明,最强的结合不一定对应最理想的钝化行为。这项工作建立了一种物理信息丰富的双描述符策略来评估钙钛矿钝化材料,并表明有前景的修饰剂应结合足够的界面结合、适度的分子极性和有限的晶格扰动。
**论文解读:双描述符机器学习框架用于钙钛矿钝化材料评估**
**研究背景与问题**
铅卤钙钛矿作为软晶格离子晶体,其晶界和界面存在大量缺陷,严重影响光电器件的性能与稳定性。分子钝化通过修饰剂与缺陷位点结合,是抑制缺陷、提升器件效率的有效策略。传统上,密度泛函理论(DFT)计算广泛用于评估钝化能力,其中结合能(BE)被视为直观指标,一般认为BE越大,钝化效果越好。然而,近期实验与理论研究均指出,BE并非单调相关:过强的分子-表面相互作用可能诱导表面重构和局部晶格畸变,反而恶化器件性能。因此,仅凭BE无法全面评估钝化材料,必须同时考虑界面结合强度与晶格畸变程度。但全面DFT计算耗时巨大,限制了高通量筛选。为此,研究人员开发了一种基于机器学习的双描述符框架,旨在高效评估钝化材料的BE和晶格畸变值(LDV),并建立平衡的评估策略。
**研究内容与结论**
该研究构建了包含60种代表性钝化材料的DFT计算数据集,以BE和LDV为目标变量,利用RDKit从分子SMILES表示中生成超过300个描述符,经Pearson相关筛选保留16个关键特征。比较了线性回归(LR)、神经网络(NN)、随机森林(RF)、梯度提升决策树(GBDT)和极端梯度提升(XGBoost)五种机器学习算法。结果表明,RF在BE和LDV预测中均表现最优:BE预测的RMSE为0.524,r为0.976;LDV预测的RMSE为0.048,r为0.848。SHAP分析揭示,BE主要受SsNH3p(铵基电子态指数)和TopoPSA(拓扑极性表面积)主导,反映了铵基电子效应和分子极性;LDV则受更广泛的电子和空间特征(如SssCH2、VCH-7、SaaCH)影响,说明晶格畸变源于多因素耦合。使用PEA、PMA
+、PDAD
2+和o-CyHDAD
2+四种代表性修饰剂进行验证,DFT结果与ML预测一致,表明最强结合(o-CyHDAD
2+)并非最优,因其引发严重晶格畸变并引入深能级缺陷。该研究发表于《RSC Advances》,提出了物理可解释的双描述符策略,强调钝化材料应在足够界面结合、适度分子极性和有限晶格扰动之间取得平衡,为未来分子设计提供描述符导向的指导。
**关键技术与方法**
1. **DFT计算数据集构建**:采用CASTEP和DMol3模块对CsPbBr
3(001)表面进行弛豫,计算BE(吸附体系与孤立组分的能量差)和LDV(表面Br原子相对于相邻Cs原子在修饰前后的平均位移)。数据集包含60种从文献报道修饰剂中精选的代表性材料,排除过大或过长分子,聚合物用有限重复单元近似。
2. **分子描述符生成与筛选**:基于RDKit从SMILES生成超过300个描述符(包括电拓扑态指数和化学信息学描述符),通过Pearson相关与目标变量的线性相关性,筛选出16个关键特征以降低维度并防止过拟合。
3. **机器学习建模与评估**:比较LR、NN、RF、GBDT、XGBoost五种算法,针对每个算法优化关键超参数(其余参数保留默认值)。将数据集按75%/25%划分训练集和测试集,使用RMSE、MAE、MAPE、r
2、r及留一交叉验证(LOO)综合评估模型性能。
4. **模型可解释性分析**:对最优RF模型应用SHAP分析,量化各特征对BE和LDV预测的贡献方向与大小,并结合特征重要性排序识别主导因素。
**研究结果**
**3.1 ML模型与BE预测性能**
通过Pearson相关和Spearman秩相关分析,16个筛选特征中SsNH3p与BE呈最强正相关,TopoPSA、SdO、SssCH2等也显著相关。RF模型在测试集上表现最优(RMSE=0.524,r=0.976),优于LR、NN(因数据量小导致过拟合风险高)以及GBDT和XGBoost(训练集拟合极好但测试集精度下降,显示过拟合)。SHAP分析表明,SsNH3p和TopoPSa是BE预测的主导特征,分别反映铵基电子效应和分子极性;其余特征主要起微调作用。此外,含–NH
3+的修饰剂相比含–F–、–COO–、–S–、SCN
–等基团的材料在增加BE方面更有效。
**3.2 ML模型与LDV预测性能**
同样五种算法中,RF在LDV预测上表现最佳(RMSE=0.048,r=0.848),但整体精度低于BE预测,表明晶格畸变受更复杂因素控制。SHAP分析显示,SsNH3p仍是最重要特征但不再主导,gmax/gmin、TopoPSA通过电荷转移影响LDV,而SssCH2、VCH-7、SaaCH通过空间位阻效应影响LDV。特征解释进一步提出评估指南:铵基电子描述符(如SsNH3p)增强BE但可能增加LDV;分子极性(TopoPSA)需适度以避免过度电荷重新分布;空间描述符(SssCH2等)要求分子骨架与钙钛矿表面兼容。
**3.3 代表性修饰剂评估与机制解释**
选取PEA(BE=1.31 eV)、PMA
+(BE=5.34 eV)、PDAD
2+(BE=10.93 eV)和o-CyHDAD
2+(BE=17.13 eV)进行DFT验证。静电势(ESP)图和电子密度差(EDD)图显示,–NH
3+基团引入导致高SsNH3p、高ESP和高BE,双铵盐修饰剂表现出最强结合。但过强的界面电荷转移(如PDAD
2+和o-CyHDAD
2+)引发严重晶格畸变,I-PDOS分析表明,强结合修饰剂虽促进电子离域,但较大LDV值会改变带边态分布并引入深能级缺陷。最终,ML预测与DFT结果在低中BE范围误差最小(最小仅0.7%),高BE范围因训练样本少而精度下降;LDV随BE增加而增加,但非严格线性。计算成本比较显示,ML方法比DFT效率提高数个数量级。
**讨论与结论**
讨论部分指出,双描述符框架的核心意义在于将评估标准从“最大化BE”转变为“平衡界面结合与晶格扰动”。BE主要受铵基电子效应和分子极性控制,而LDV受电子与空间因素共同影响,这解释了为何强结合修饰剂未必带来最佳钝化。尽管当前模型基于有限的DFT数据集,但提供了物理可解释的评估策略。结论翻译如下:总之,研究人员开发了一种双描述符机器学习框架,通过同时考虑BE和LDV来评估钙钛矿钝化材料。结果表明,BE主要受铵基相关电子效应和分子极性控制,而LDV受更广泛的电子与空间因素组合影响。这一差异解释了为何结合更强的修饰剂并不总是导致更好的钝化行为。因此,该框架将评估标准从最大化BE转变为平衡足够的界面结合与有限的晶格扰动。特征解释进一步表明,有前景的修饰剂应结合合适的阳离子相互作用、适度的极性以及与钙钛矿表面良好的空间兼容性。尽管当前模型基于有限的DFT导出数据集,但它提供了一种物理可解释的钝化材料评估策略,并为未来分子设计提供了基于描述符的指导。