[論文レビュー] Screening of potential double perovskite materials for photovoltaic applications using agglomerative hierarchical clustering

Utkarsh Saha, Koyendrila Debnath+1 more|arXiv (Cornell University)|Nov 15, 2021

Perovskite Materials and Applications被引用数 8

ひとこと要約

本研究は、540化合物の小さなデータセットを用いて、発電用途向けハライド二重ペロブスカイト（A2BB'X6）のスクリーニングを目的とした凝集型階層的クラスタリング（AHC）手法を提案する。32の構造的・電子的特徴を活用し、ユーグリッド距離を用いたウォード連結法を適用することで、10の明確に分離されたクラスタが同定され、その中でもクラスタ1に属する11化合物が1.0–1.4 eVの最適なバンドギャップと高い生成エネルギーを示しており、限られたデータにもかかわらず太陽電池応用の強い可能性を示している。

ABSTRACT

Data-driven approaches to solve problems in materials science have gained immense popularity in recent times due to their ability to predict unknown material properties and uncover relationships between structure and property. Machine learning algorithms like GBRT, random forest and neural networks have had tremendous success in predicting target properties of materials and design of structures for various applications. However, a major drawback for achieving results within the required accuracy using these algorithms has been the need for large datasets which can be challenging for problems when data is not sufficiently available for training the models. In this work, we propose the use of a hierarchical clustering algorithm which can work considerably better on materials science problems with small dataset constraints. We apply the algorithm to screen out promising double perovskite materials as candidates for solar cells.

研究の動機と目的

• 二重ペロブスカイトの材料発見において、データが限られることが従来の教師あり機械学習の実装を妨げるという課題に対処すること。
• 540化合物の小さなデータセットから、有望な発電材料を特定するデータ効率の良い手法を開発すること。
• 大規模なラベル付きデータセットを必要としない、構造的・電子的特徴に基づいた凝集型階層的クラスタリングによる非教師あり学習を適用し、材料をグループ化すること。
• 単一セル太陽電池に最適なバンドギャップと熱力学的安定性を示す、高可能性な二重ペロブスカイト候補のサブセットを同定すること。

提案手法

• バンドギャップエネルギーに関連する既知の相関関係に基づき、先行研究から得られた32次元の特徴ベクトルを構築した。
• PythonのScipyライブラリを用いて、ウォード連結法とユーグリッド距離を連結基準として、凝集型階層的クラスタリング（AHC）アルゴリズムを実装した。
• 明確に分離された意味のあるグループ化が得られるように、デンドログラムの閾値を調整することでクラスタ数を10に設定した。
• クラスタリングプロセスは下位から上位のアプローチを採用し、個々のデータポイントから出発して、クラスタ間距離に基づき類似度の高いクラスタを順次統合した。
• トップ候補の電子構造を検証するために、VASPを用いて第一原理計算を実施し、PBEおよびHSE06関数を用い、スピン軌道相互作用を含めた。
• 構造最適化には12×12×12のkポイントメッシュと500 eVの平面波カットオフを用い、力が0.01 eV/Å未満になるように収束を確認した。

実験結果

リサーチクエスチョン

• RQ1 訓練データが限られる状況下でも、凝集型階層的クラスタリングが二重ペロブスカイト材料のスクリーニングに効果的に機能するか？
• RQ2 A2BB'X6二重ペロブスカイトにおいて、良好なバンドギャップ値を予測する上で最も予測力のある構造的・電子的特徴は何か？
• RQ3 データが乏しい材料発見の状況下で、非教師ありクラスタリングが従来のハイブリッドスクリーニングを上回る性能を示せるか？
• RQ4 バンドギャップと生成エネルギーの値はクラスタ間でどのように分布しているか？また、どのクラスタが最も実現可能性の高い太陽電池候補を含んでいるか？

主な発見

• クラスタ1（11化合物）は、単接続太陽電池に最適な1.0–1.4 eVのバンドギャップ範囲を示した。
• クラスタ1に属するこれらの11化合物は、-1.2から-1.8 eV/式単位の高い生成エネルギーを示しており、良好な熱力学的安定性を示した。
• AHC手法により、明確に分離された10の異なるクラスタに材料がグループ化され、候補の優先順位付けが効率的に行えた。
• スピン軌道相互作用を含むHSE06関数を用いることで、GGA関数の典型的な過小評価を是正し、正確なバンドギャップ予測が確認された。
• クラスタリング手法により、540化合物の探索範囲が10のクラスタに縮小され、その中でクラスタ1が今後の研究に最も有望な候補として浮き彫りになった。
• 本手法はスケーラブルで、他の材料科学の問題にも応用可能であり、広範な特徴工学の必要を最小限に抑えることができる。