[論文レビュー] Stability Engineering of Halide Perovskite via Machine Learning

Zhenzhu Li, Qichen Xu+3 more|arXiv (Cornell University)|Mar 16, 2018

Perovskite Materials and Applications参考文献 32被引用数 14

ひとこと要約

本研究では、密度汎関数理論（DFT）を用いて計算された分解エネルギーと構成元素のイオン半径の相関関係を活用して、ハライドペロブスカイトの熱力学的安定性を予測する機械学習フレームワークを導入した。このモデルは14,190種の二重ペロブスカイト化合物を同定し、約1,000種の安定な希土類金属ハライドペロブスカイトを再発見した。これにより、太陽電池用に安定な混合ペロブスカイト材料を標的的に設計することが可能になった。

ABSTRACT

Perovskite stability is of the core importance and difficulty in current research and application of perovskite solar cells. Nevertheless, over the past century, the formability and stability of perovskite still relied on simplified factor based on human knowledge, such as the commonly used tolerance factor t. Combining machine learning (ML) with first-principles density functional calculations, we proposed a strategy to firstly calculate the decomposition energies, considered to be closely related to thermodynamic stability, of 354 kinds halide perovskites, establish the machine learning relationship between decomposition energy and compositional ionic radius and investigate the stabilities of 14,190 halide double perovskites. The ML-predicted results enable us to rediscover a series of stable rare earth metal halide perovskites (up to ~1000 kinds), indicating the generalization of this model and further provide elemental and concentration suggestion for improving the stability of mixed perovskite.

研究の動機と目的

• 従来の安定性記述子（たとえば耐性係数）の限界を克服し、ペロブスカイトの安定性を予測すること。
• 第一原理計算と機械学習を統合するデータ駆動型アプローチを開発し、高スループットな安定性スクリーニングを実現すること。
• 特に希土類元素由来のハライドペロブスカイトを含む、安定な二重ペロブスカイト化合物の同定を目的とすること。
• 混合ハライドペロブスカイトの安定性を高めるための元素および濃度のガイドラインを提供すること。
• 組成に起因するイオン半径に基づいて、熱力学的安定性を予測する汎用的な機械学習モデルを構築すること。

提案手法

• 第一原理的密度汎関数理論（DFT）を用いて354種のハライドペロブスカイトの分解エネルギーを計算した。
• AサイトおよびBサイトのカチオンのイオン半径と分解エネルギーの相関関係を学習する機械学習モデルを訓練した。
• 訓練済みモデルを用いて14,190種の二重ペロブスカイト化合物の安定性を予測した。
• モデルを用いて安定な希土類金属ハライドペロブスカイトを同定し、汎用性の能力を検証した。
• モデルの予測結果を活用して、安定性を向上させるための最適な元素置換およびドーピング濃度を提案した。
• 既知の安定ペロブスカイトと照合することでモデルの予測を検証し、補足情報によるモデルの透明性を確保した。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、イオン半径とDFTで計算された分解エネルギーに基づいて、ハライドペロブスカイトの熱力学的安定性を正確に予測できるか？
• RQ2 トレーニングデータセット外の二重ペロブスカイト化合物の安定性を予測する際、MLモデルの予測能力はどの程度か？
• RQ3 モデルは、特に希土類元素由来のハライドペロブスカイトを含め、既知の安定ペロブスカイトを再発見できるか。また、新たな安定候補を同定できるか？
• RQ4 元素置換および濃度変動が、混合ペロブスカイトの予測安定性にどのように影響するか？
• RQ5 初期トレーニングデータに含まれない新しいペロブスカイト組成に対しても、モデルはどの程度一般化できるか？

主な発見

• 機械学習モデルは、14,190種の二重ペロブスカイト化合物の熱力学的安定性を高い精度で予測した。
• モデルは約1,000種の安定な希土類金属ハライドペロブスカイトを再発見し、強力な一般化能力を示した。
• 予測された安定性は、AサイトおよびBサイトのカチオンのイオン半径と強く相関しており、モデルの物理的解釈可能性が裏付けられた。
• モデルは、混合ハライドペロブスカイトの安定化に向けた実行可能な元素および濃度の提案を提供し、標的的な材料設計を可能にした。
• 直接DFTで得られる分解エネルギーを組み込むことで、従来の記述子（たとえば耐性係数）を上回る性能を示した。
• 本研究は、スケーラブルでデータ駆動型のペロブスカイト安定性設計フレームワークを確立した。このフレームワークは、他のペロブスカイト系への応用も可能である。