《Physica B: Condensed Matter》:Machine Learning-Guided First-Principles Screening of Halide Double Perovskites for Optoelectronic Applications
编辑推荐:
•开发了一种机器学习-密度泛函理论(ML-DFT)框架,用于快速探索无铅双钙钛矿材料。•构建了一个包含2,728种无铅卤化物双钙钛矿的数据库。•极限树回归(ETR)实现了优异的带隙预测精度(R2 = 0.946)。•筛选了150种适用于太阳能电池、LED、紫外线和辐射探测器的
- •
开发了一种机器学习-密度泛函理论(ML-DFT)框架,用于快速探索无铅双钙钛矿材料。
- •
构建了一个包含2,728种无铅卤化物双钙钛矿的数据库。
- •
极限树回归(ETR)实现了优异的带隙预测精度(R2 = 0.946)。
- •
筛选了150种适用于太阳能电池、LED、紫外线和辐射探测器的有前景材料。
- •
对Cs2SnX6(X = F, Cl, Br, I)的DFT验证证实了机器学习模型的可靠性。
引言
卤化物钙钛矿因其潜在的光电子特性而引起了广泛关注,包括可调带隙、高光学吸收系数1、优异的电荷迁移率以及低成本的溶液加工性2, 3。这些特性推动了光电子器件的快速发展,主要应用于钙钛矿太阳能电池(PSCs)4,其功率转换效率(PCE)在过去十年中已提升至超过27%5。尽管取得了这些显著的成功,但杂化铅卤化物钙钛矿固有的毒性和较差的环境稳定性6, 7阻碍了其商业化和大规模生产2, 8, 9, 10。因此,开发环境友好的无铅替代材料已成为主要的研究焦点11, 12, 13。
LF-HDPs类材料作为传统铅基钙钛矿的有前景替代品,因其较低的毒性、组成灵活性、结构稳定性以及可调的电子和光学特性而受到了广泛关注14, 15, 16。在LF-HDPs化合物中,有毒的Pb2+离子被异价阳离子对取代,同时保持电荷中性和结构稳定性17, 18, 19, 20, 21。A2B+B3+X6化学式使得通过化学替代来定制带隙、吸收和载流子相关特性成为可能,从而适用于发光、光伏、辐射探测和光电子应用22。此外,巨大的组成空间面临着不合适带隙、间接电子跃迁、有限的载流子传输以及部分组分稳定性不足等问题,这些为寻找新的合适材料带来了障碍23。同样重要的是,以其他元素替代铅并不能消除环境顾虑,因为某些替代元素也可能具有毒性或环境持久性问题。因此,需要将机器学习(ML)、DFT和稳定性分析相结合的高效筛选策略,以识别具有环境优势且具备特定应用性能的LF-HDPs材料,并减少计算和实验成本。在此背景下,Cs2AgBiBr6表现出良好的化学稳定性、较长的光致发光衰减时间和适宜的光电特性,在光电子应用中具有潜力24, 25, 26, 27, 28, 29。各种计算研究预测了几种稳定的LF-HDPs材料,包括Cs2InSbCl6、Cs2AgInBr6、Rb2AgInBr6、Rb2CuInCl6和Na2LiTlX6(X = Br, Cl),表明了这一材料家族的巨大潜力30, 31, 32, 33, 34, 35, 36。
尽管取得了这些进展,LF-HDPs的组成空间仍然非常庞大,包含数十万种可能的A位、B位和X位组合37, 38, 39, 40, 41, 42, 43。最近,Wang等人利用机器学习辅助密度泛函理论方法研究了Cs2RbTlCl6、Cs2KTlCl6、Cs2TlBiCl6和Cs2KInBr6系列材料在LED中的潜在应用44。他们显著提高了材料筛选的效率和准确性,为绿色LED的开发提供了一种高效且具有创新性的解决方案。此外,Cai等人使用三种不同类别的化学体系,识别出11种化合物作为有前景的太阳能吸收材料,并分析了每种化合物中带隙的复杂化学趋势,为利用替代合金化手段进一步调控电子结构提供了指导45。最近,Zhou等人通过将机器学习与第一性原理计算整合到统一的筛选框架中,解决了ABH材料缺乏高效设计策略的问题46。
在本研究中,我们开发了一种集成的ML-DFT框架,用于加速高性能LF-HDPs化合物的探索。我们从Materials Project和已发表数据库中汇编了一个包含2,728种LF-HDPs的综合数据集。我们训练了五种监督机器学习算法,包括随机森林(RF)、梯度提升回归(GBR)、极限树回归(ETR)、极端梯度提升回归(XGBR)和人工神经网络(ANN),用于预测带隙值,其中ETR模型实现了最高的预测精度(R2 = 0.946)。基于机器学习预测结果,我们针对太阳能电池、LED和光探测器等每种应用,根据其最佳带隙范围筛选了前50种候选材料。最后,从选定的候选材料中,我们利用基于CASTEP的DFT计算,全面研究了Cs2SnX6(X = Cl, Br, I, F)LF-HDPs材料,包括结构优化、热力学稳定性、电子结构、光学响应和机械性能,如图1所示的示意图,验证了我们机器学习预测数据的可靠性。这种集成的ML-DFT策略为快速探索下一代LF-HDPs材料用于可持续光电子应用提供了一条高效且经济可靠的途径。
章节摘要
DFT计算
使用Materials Studio上运行的CASTEP程序,通过平面波赝势方法进行DFT计算47。我们对所有组成元素(Cs、Sn、Cl、Br、I、F)采用了即时生成(OTFG)超软赝势。交换关联效应采用Perdew-Burke-Ernzerhof(GGA-PBE)泛函的广义梯度近似进行处理48, 49。所有计算均基于5×5×5 Monkhorst-Pack k点网格,并使用平面波截断能进行。
LF-HDPs的机器学习集成预测
图2(a)展示了2,728种LF-HDPs化合物的带隙分布情况。带隙值主要来源于Materials Project数据库,其中大部分电子结构计算均采用GGA-PBE交换关联泛函进行。如图2所示,带隙跨越了广泛的范围,提供了一个多样化的数据集,适用于训练能够覆盖各种光电子应用的鲁棒机器学习模型。数据集被随机划分为
机械性能
Cs2SnX6(X = Cl、Br、I和F)的机械性能通过计算所得的弹性常数及相应的机械参数来确定,如表3所示。Cs2SnCl6、Cs2SnBr6和Cs2SnI6的弹性常数根据立方晶系对称性确定,而Cs2SnF6的弹性常数则在三角晶系对称性框架内计算。所有计算的弹性常数均满足相应的Born机械稳定性判据,表明这些材料具有
动力学特性
热力学稳定性特性对结构的完整性至关重要,因此我们系统地研究了Cs2SnX6(X = Cl、Br、I、F)LF-HDPs材料的动力学特性。我们计算了声子谱及温度相关的热力学性质,包括焓(H)、自由能(G)、熵(S)和热容(C?),如图8(a-f)所示。从图8(a-d)可以看出,由于所有Cs2SnX6(X =
结论
总之,ML-DFT联合方法为筛选和验证适用于目标光电子应用的无铅卤化物双钙钛矿(LF-HDPs)提供了一种有效策略。包含2,728种钙钛矿化合物的大型数据库训练实现了快速识别最合适的候选材料,而DFT计算则对其结构、机械、电子和光学性能进行了独立评估。此外,我们将训练好的模型应用于Sn4+基LF-HDPs材料
CRediT作者贡献声明
Wang Yangyang:撰写—审阅与编辑。Wang Yong-Long:撰写—审阅与编辑,基金获取。Wasif Ur Rahman:撰写—审阅与编辑,验证,指导,资源,调查。Umar Farooq:撰写—审阅与编辑,指导,基金获取。Noor Fatima:撰写—原始草稿,方法论,形式分析,概念构思。
利益冲突声明
? 作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。
致谢:
本研究受中国国家自然科学基金(编号:12505020)、山东省自然科学基金(编号:ZR2025QC1486)以及临沂大学科学基金(编号:Z6126040)资助。
Noor Fatima|Wasif Ur Rahman|Umar Farooq|Wang Yangyang|Wang Yong-Long