SHAP增强的可解释机器学习解锁用于高性能绿色发光二极管的无铅双钙钛矿
《Solar Energy Materials and Solar Cells》:SHAP-augmented interpretable machine learning unlocks lead-free double perovskites for high-performance green light-emitting diodes
【字体:
大
中
小
】
时间:2026年09月24日
来源:Solar Energy Materials and Solar Cells 6.6
编辑推荐:
• 一种可解释的闭环机器学习(ML)→SHAP→DFT框架高效筛选了无铅双钙钛矿。
• Cs2LiSbBr6被鉴定为直接带隙(2.33 eV),与绿光发射相匹配。
• Cs2LiSbBr6在绿光区域展现出独特且关键的低反射率和消光系数组合。
• 全面的DFT分析将其优异的光电
• 一种可解释的闭环机器学习(ML)→SHAP→DFT框架高效筛选了无铅双钙钛矿。
• Cs2LiSbBr6被鉴定为直接带隙(2.33 eV),与绿光发射相匹配。
• Cs2LiSbBr6在绿光区域展现出独特且关键的低反射率和消光系数组合。
• 全面的DFT分析将其优异的光电性能与洁净的、局域化的带边电子结构联系起来。
引言
由于具有高吸收系数、长载流子扩散长度、可调带隙和溶液加工性,金属卤化物钙钛矿在光伏、发光二极管(LED)和光电探测器等领域得到了迅速发展,被认为是新一代高性能光电器件材料的主要候选者之一[[1], [2], [3], [4]]。传统铅基卤化物钙钛矿在绿光LED中已实现高外量子效率和窄发射光谱。然而,铅元素带来的环境与健康风险,以及其在潮湿、高温和光照条件下的稳定性问题,严重限制了其大规模商业化应用[5,6]。因此,开发兼具高发光性能、低毒性和高稳定性的无铅钙钛矿材料已成为该领域广泛认可的优先任务[7]。
在众多无铅替代材料中,A2BB'X6型双钙钛矿因其巧妙的结构设计和可调的物理化学性质,被认为是最具前景的无铅钙钛矿家族之一。通过采用一价B+和三价B'3+阳离子的异价共掺策略,它们完全消除了有毒的铅元素,同时完整保留了钙钛矿的三维八面体框架,从而兼具结构多样性、高稳定性和环境友好性[8,9]。理论计算和实验研究均表明,此类材料在可见光至近紫外区域展现出强吸收和可调的发光性质。对于以Cs2AgBiX6、Cs2AgInX6和Cs2NaBiX6为代表的体系,其带隙和光电性能强烈依赖于B/B'位阳离子的组合、X位卤素组成和晶体结构对称性,这为性能的精确调控提供了广阔的空间。例如,Jin等人通过Na+/Bi3+共合金策略对Cs2AgInCl6进行局部结构工程,成功将其自陷激子(STE)发光强度提高了数百倍,实现了高效的近红外发射。这项工作为通过阳离子工程协同调控双钙钛矿的局部结构和光电性能提供了清晰的范例[10]。在发光方面,Cao等人的研究表明,将Sb3+和Yb3+共掺入Cs2AgInCl6双钙钛矿可使STE发射强度提高240倍。通过该方法实现的高效共振能量转移,绝对近红外光致发光量子产率高达50%,凸显了该体系在高效率发光器件中的巨大潜力[11]。与此同时,其他性能优化策略不断涌现。例如,通过Na合金化调控Cs2AgBiCl6的局部结构,可将其光致发光量子效率显著提高至51%,为提升无铅双钙钛矿性能提供了有效途径[12]。
尽管无铅双钙钛矿前景广阔,但这些材料的探索及其性能优化仍面临重大挑战。除了内在的组成、结构和性能关系之外,新型双钙钛矿的实验实现还需要仔细优化合成条件,包括沉积和热处理参数。此前关于Cs基无铅双钙钛矿(如Cs2AgBiBr6)的实验研究表明,热处理条件可显著影响相形成、结晶度以及最终的光电性质[13]。然而,最优处理条件高度依赖于具体的组成和合成路线,因此对新提出的材料仍需进一步实验优化。该体系的理论化学空间极其庞大,由于时间和计算成本的限制,通过传统的试错实验或顺序第一性原理计算筛选进行全面探索是不现实的。近年来,将机器学习(ML)与高通量计算相结合的研究范式已成为加速功能材料发现的革命性方法[14,15]。通过从现有数据库中学习复杂的组成-结构-性能映射关系,ML模型可从庞大的虚拟候选池中快速预测具有目标性质(如特定带隙)的材料。这种方法大幅缩小了后续实验验证和高精度计算验证的范围[16,17]。这种"基于ML的初始筛选与第一性原理精细验证"的协同策略在热电、催化和光伏等多个领域已展现出高效率[[18], [19], [20]]。
然而,将该策略系统地整合应用于研究绿光发射、无铅且无毒的双钙钛矿仍处于起步阶段。当前研究主要集中于预测宽带隙材料(蓝光发射)或窄带隙材料(红外发射),而位于可见光谱中心的绿光区域(约2.17-2.5 eV)对绿光光电器件平衡性能提出了严格要求,却相对较少受到关注[[21], [22], [23]]。带隙是决定半导体材料发射波长的本征物理性质。因此,建立以带隙匹配为优先的高效筛选范式,是从庞大化学空间中识别绿光发射候选材料的关键切入点[24,25]。
为解决上述挑战,结合大规模计算材料数据库与机器学习的材料筛选范式为高效探索无铅双钙钛矿的庞大化学空间提供了可行途径。Materials Project (MP)等计算材料数据库提供了统一和标准化的晶体结构和物理性质数据,为基于形成能、晶体对称性和电子结构进行初步筛选奠定了坚实基础[[26], [27], [28]]。除了数据库驱动的描述符外,Goldschmidt容差因子和八面体因子等传统晶体化学参数已被广泛用于评估钙钛矿框架的结构可行性,通过描述组成离子的尺寸相容性。这些参数为理解各种钙钛矿体系中组成与结构稳定性之间的关系提供了重要指导[29]。在此基础上,机器学习可以学习材料组成/结构描述符与目标性质之间的复杂非线性相关性,从而以远低于密度泛函理论(DFT)计算的成本,对海量候选材料进行高效的大规模预筛选[30]。在卤化物钙钛矿领域,这种"ML初始筛选与DFT精细验证"的协同策略已得到广泛验证。研究已成功采用随机森林、梯度提升树和图神经网络等模型,高效预测卤化物钙钛矿的晶格稳定性、带隙和光吸收系数等关键指标,显著缩小了后续实验研究和高精度计算的物质范围[31,32]。对于无铅双钙钛矿,现有研究表明,基于组成和结构描述符的ML模型可高精度预测Cs2AgBiX6等体系的带隙和稳定性,为理性设计提供了新的见解,同时大幅降低了计算成本[33]。
基于上述见解,本研究构建了"ML预测+SHAP模型解释与特征增强+DFT精细验证"的闭环设计框架,用于研究绿光发射无铅双钙钛矿[[34], [35], [36]]。该框架旨在从庞大的A2BB'X6化学空间中高效可靠地识别具有目标性质的候选材料。该框架的核心逻辑在于迭代优化:首先,利用机器学习模型在数据库支持下进行低成本、大规模的带隙预测和初始筛选,以极低成本探索组合空间。随后,采用SHAP可解释性分析理解模型决策背后的物理机制,并将所得见解反馈到特征工程中以优化模型[37]。最后,对筛选出的少数高潜力候选材料进行包含自旋-轨道耦合(SOC)效应的精细DFT计算,在原子尺度上准确验证其电子结构、光学性质和稳定性,确保最终结果的物理准确性[38]。这种迭代的"预测-解释-验证"范式为系统筛选高性能无铅发光材料提供了完整的方法论路径。
遵循上述范式,本研究专注于构建高精度、可解释的机器学习筛选模型,对四个最具前景的无铅卤化物钙钛矿(Cs2LiSbBr6、Cs2KSbI6、Cs2NaBiI6、Cs2RbSbI6)进行深入的第一性原理计算,从而在原子尺度上评估其作为绿光发射材料的本征潜力,并为材料设计和实验探索提供可靠的理论基础。
(1) 构建了一种基于XGBoost和SHAP(SHapley可加性解释)的高精度可解释带隙预测框架。在统一特征工程和评估策略下,XGBoost在无铅双钙钛矿的带隙预测任务中优于随机森林(RF)、梯度提升机(GBM)和支持向量机(SVM)等基线模型。此外,通过SHAP分析实现了关键结构和组成特征对带隙贡献的物理可解释性。
(2) 针对材料筛选场景,建立了"XGBoost预测+SHAP驱动特征解释+DFT详细验证"的闭环设计框架。基于训练好的XGBoost模型,对特定化学子空间(A=Cs, B=第1族碱金属, B'=Sb/Bi, X=卤素)中的30种候选材料进行带隙预测[37]。随后根据预测带隙在绿光发射区域内的标准筛选出四种代表性候选材料,并通过第一性原理计算系统地评估了其带结构、态密度(DOS)和光学性质,验证了机器学习筛选结果的物理可靠性。
(3) 在XGBoost模型基础上引入了SHAP驱动的特征增强策略。结合特征相关性分析,从主要特征中构建了少量具有物理意义的组合特征(如二次项和交互项)。系统研究了特征增强对模型性能的影响,并从"解释-验证"的角度评估了模型表达关键非线性结构-性能关系的能力。该策略实现了SHAP解释结果向可操作的描述符工程的转化,为从模型解释到预测性能提升提供了途径。
分节摘要
ML驱动的带隙预测与模型优化工作流程
本研究实施了一种闭环迭代机器学习框架,用于无铅双钙钛矿的高精度带隙预测和机理分析,其完整工作流程如图1所示。该框架从特征工程和模型构建开始,经过稳健性评估和可解释性分析,可通过特征增强进行迭代优化。最终输出高度可靠的预测结果,为精密
数据库构建
本研究构建的双钙钛矿材料数据库共包含1204个A2BB'X6型结构样本。同时,为了直观展示数据库对目标带隙区间的覆盖情况,对所有样本的带隙进行了统计分析,如图2(a)所示。根据Materials Project网站上关于材料电子性质中带隙来源的说明,绝大多数钙钛矿的带隙值
结论
本研究成功建立并实施了一种整合机器学习筛选与高精度第一性原理验证的材料研究范式。针对显示和照明技术中迫切需要但研究相对较少的蓝绿光区域,我们探索了高性能、高稳定性的无铅卤化物双钙钛矿材料。构建了无铅
CRediT作者贡献声明
邓京文:撰写—审阅与编辑,数据整理。刘刚:项目管理,形式分析。屠瑞鑫:方法学。温云浦:数据整理。包蒙:数据整理。钱盛佼:可视化。崔博豪:方法学。毕雨溪:方法学。董超:可视化。谢江洲:形式分析。关晓宁:形式分析。Amondullo Burkhonzoda:数据整理。陈长城:监督。卢鹏飞:监督。
利益冲突声明
作者声明不存在任何已知的竞争性经济利益或个人关系可能影响本文所述工作的公正性。
致谢
本工作得到中国国家重点研发计划项目(编号: 2023YFB3608901)的资助。
邓京文 | 刘刚 | 屠瑞鑫 | 温云浦 | 包蒙 | 钱盛佼 | 崔博豪 | 毕雨溪 | 董超 | 谢江洲 | 关晓宁 | Amondullo Burkhonzoda | 陈长城 | 卢鹏飞
生物通微信公众号
生物通新浪微博
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