[논문 리뷰] Screening of potential double perovskite materials for photovoltaic applications using agglomerative hierarchical clustering

Utkarsh Saha, Koyendrila Debnath외 1명|arXiv (Cornell University)|2021. 11. 15.

Perovskite Materials and Applications인용 수 8

한 줄 요약

이 연구는 540개의 화합물로 구성된 소규모 데이터셋을 사용하여 태양전지 응용을 위한 할라이드 이중퍼보스카이트(A2BB'X6)를 선별하기 위해 응집형 계층적 군집화(AHC) 방법을 제안한다. 32개의 구조적 및 전자적 특성을 활용하고 유클리드 거리 기반 워드 연결법을 적용함으로써 10개의 구체적인 군집을 식별하였으며, 그 중 군집 1은 최적의 밴드 갭(1.0–1.4 eV)과 높은 형성 에너지를 보이는 11개의 화합물을 포함하고 있어, 데이터가 제한된 상황임에도 불구하고 태양전지 응용에 매우 높은 잠재력을 보이고 있다.

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.

연구 동기 및 목표

• 이중퍼보스카이트의 재료 탐색에서 데이터가 부족한 문제로 인해 기존의 지도 학습 기반 접근법이 어려운 점을 해결하기 위해.
• 540개의 할라이드 이중퍼보스카이트로 구성된 소규모 데이터셋에서 유망한 태양전지 재료를 효율적으로 식별하기 위한 데이터 효율적인 방법을 개발하기 위해.
• 대규모 레이블이 부여된 데이터셋이 필요 없이, 구조적 및 전자적 특성 기반으로 재료를 군집화하기 위해 비지도 학습 기반 응집형 계층적 군집화를 적용하기 위해.
• 단일 접합 태양전지에 적합한 최적의 밴드 갭과 열역학적 안정성을 갖춘 높은 잠재력을 지닌 이중퍼보스카이트 후보군을 식별하기 위해.

제안 방법

• 기존 연구에서 밴드 갭 에너지와 관련이 있는 것으로 알려진 특성들을 바탕으로 32차원의 특징 벡터를 구성하였다.
• 파이썬의 Scipy 라이브러리를 사용하여 응집형 계층적 군집화(AHC) 알고리즘을 구현하였으며, 유클리드 거리를 연결 기준으로 사용하고 워드 연결법을 적용하였다.
• 군집 수를 10개로 설정하기 위해 다이아그램의 임계값을 조정하여 잘 분리되고 의미 있는 군집 구성을 확보하였다.
• 군집화 과정은 하향식 접근 방식을 따르며, 개별 데이터 포인트에서 시작하여 상호 간 거리 기반으로 가장 유사한 군집을 순차적으로 융합하였다.
• 최상위 후보의 전자 구조를 검증하기 위해 VASP를 사용하여 아비니오(ab initio) 계산을 수행하였으며, PBE 및 HSE06 함수를 포함하고 스핀-오비트 결합을 고려했다.
• 구조 최적화는 12×12×12 k-포인트 메쉬와 500 eV의 평면파 컷오프를 사용하여 수행되었으며, 힘의 수렴 조건(0.01 eV/Å 이하)을 충족시켰다.

실험 결과

연구 질문

• RQ1 학습 데이터가 제한된 상황에서 응집형 계층적 군집화가 태양전지용 유망한 이중퍼보스카이트 재료를 효과적으로 식별할 수 있는가?
• RQ2 A2BB'X6 이중퍼보스카이트에서 유의미한 밴드 갭 값을 예측하는 데 가장 중요한 구조적 및 전자적 특성은 무엇인가?
• RQ3 소규모 데이터에서의 재료 탐색 상황에서 비지도 군집화가 전통적인 고속 스크리닝 기법보다 우수한 성능을 보일 수 있는가?
• RQ4 밴드 갭 및 형성 에너지 값의 분포는 각 군집에서 어떻게 분포되어 있으며, 어느 군집이 가장 유망한 태양전지 후보군을 포함하고 있는가?

주요 결과

• 군집 1은 11개의 화합물을 포함하고 있으며, 단일 접합 태양전지에 적합한 가장 유리한 밴드 갭 범위(1.0–1.4 eV)를 나타냈다.
• 이 11개 화합물은 높은 형성 에너지(-1.2에서 -1.8 eV/식별자 단위)를 보이며 열역학적 안정성이 우수함을 나타냈다.
• AHC 방법은 명확한 분리가 이루어진 10개의 구체적인 군집으로 재료를 그룹화하여 후보자 우선순위 정렬을 효율적으로 가능하게 하였다.
• 스핀-오비트 결합을 고려한 HSE06 함수를 사용함으로써 기존 GGA 함수의 과소 평가 문제를 보완하여 정확한 밴드 갭 예측이 가능했다.
• 군집화 접근법을 통해 540개의 화합물에서 10개의 군집으로 검색 공간을 축소하였으며, 군집 1이 향후 연구에 가장 유망한 후보군으로 부각되었다.
• 이 방법은 확장 가능하고 다른 소규모 데이터셋을 가진 재료 과학 문제에 적용 가능하며, 광범위한 특징 공학의 필요성을 최소화한다.