[논문 리뷰] Stability Engineering of Halide Perovskite via Machine Learning

Zhenzhu Li, Qichen Xu외 3명|arXiv (Cornell University)|2018. 03. 16.

Perovskite Materials and Applications참고 문헌 32인용 수 14

한 줄 요약

이 연구는 밀도함수이론(DFT)를 통해 계산된 분해에너지와 구성 원소의 이온 반지름 간의 상관관계를 이용해 할라이드 퍼보스카이트의 열역학적 안정성을 예측하는 기계학습 프레임워크를 제안한다. 이 모델은 14,190개의 더블 퍼보스카이트 조성과 약 1,000개의 안정적인 희토이드 금속 할라이드 퍼보스카이트를 식별하여 태양전지용 안정적인 혼합 퍼보스카이트 재료의 표적 설계를 가능하게 한다.

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.

연구 동기 및 목표

• 전통적인 안정성 기술자인 내성 인자(_tolerance factor_)의 한계를 극복하여 퍼보스카이트 안정성을 예측하는 데 목적이 있다.
• 초기 원리 계산과 기계학습을 융합한 데이터 기반 접근법을 개발하여 고속도 안정성 스크리닝을 수행하는 데 목적이 있다.
• 특히 희토이드 기반 할라이드를 포함한 안정적인 더블 퍼보스카이트 조성을 식별하여 옵티오일렉트로닉스 응용 분야에 활용 가능성을 모색하는 데 목적이 있다.
• 혼합 할라이드 퍼보스카이트의 안정성을 향상시키기 위한 원소 및 농도 지침을 제공하는 데 목적이 있다.
• 조성에 기반한 이온 반지름을 활용한 열역학적 안정성을 예측하는 일반화 가능한 기계학습 모델을 구축하는 데 목적이 있다.

제안 방법

• 354개의 할라이드 퍼보스카이트에 대해 초원리 밀도함수이론(DFT)를 사용해 분해에너지 계산을 수행하였다.
• A- 및 B-위치 양이온의 이온 반지름과 분해에너지 간의 상관관계를 학습하기 위해 기계학습 모델을 훈련시켰다.
• 훈련된 모델을 활용해 14,190개의 더블 퍼보스카이트 조성에 대해 안정성 예측을 수행하였다.
• 모델을 사용해 안정적인 희토이드 금속 할라이드 퍼보스카이트를 식별하고, 일반화 능력을 검증하였다.
• 모델의 예측 결과를 바탕으로 혼합 퍼보스카이트의 안정성을 향상시키기 위한 최적의 원소 치환 및 도핑 농도 제안을 수행하였다.
• 기존에 알려진 안정한 퍼보스카이트와의 비교를 통해 모델의 예측 정확성을 검증하였으며, 모델의 투명성을 확보하기 위해 보강 정보를 활용하였다.

실험 결과

연구 질문

• RQ1 기계학습은 이온 반지름과 DFT로 계산된 분해에너지 정보를 바탕으로 할라이드 퍼보스카이트의 열역학적 안정성을 정확하게 예측할 수 있는가?
• RQ2 학습 데이터셋 외부의 더블 퍼보스카이트 조성에 대해 모델의 예측 능력은 어느 정도인가?
• RQ3 모델은 기존에 알려진 안정한 퍼보스카이트, 특히 희토이드 기반 할라이드를 재발견할 수 있으며, 새로운 안정한 후보를 제안할 수 있는가?
• RQ4 원소 치환과 농도 변화는 혼합 퍼보스카이트의 예측 안정성에 어떤 영향을 미치는가?
• RQ5 초기 학습 데이터에 포함되지 않은 새로운 퍼보스카이트 조성에 대해서도 모델의 일반화 능력은 어느 정도인가?

주요 결과

• 기계학습 모델은 높은 정확도로 14,190개의 더블 퍼보스카이트 조성의 열역학적 안정성을 성공적으로 예측하였다.
• 모델은 약 1,000개의 안정적인 희토이드 금속 할라이드 퍼보스카이트를 재발견하여 강력한 일반화 능력을 입증하였다.
• 예측된 안정성은 A- 및 B-위치 양이온의 이온 반지름과 강하게 상관관계를 보이며, 모델의 물리적 해석 가능성에 대한 타당성을 입증하였다.
• 혼합 할라이드 퍼보스카이트의 안정성을 향상시키기 위한 실질적인 원소 및 농도 제안을 제공하여 표적 설계를 가능하게 하였다.
• 직접 DFT로 유도된 분해에너지 정보를 포함함으로써 전통적인 기술자인 내성 인자보다 기계학습 접근법이 우수한 성능을 보였다.
• 이 연구는 확장 가능한 데이터 기반 프레임워크를 구축하여 다른 퍼보스카이트 계열로도 확장 가능한 퍼보스카이트 안정성 설계 기법을 제안하였다.