[论文解读] 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 14

一句话总结

本研究提出了一种机器学习框架，通过将第一性原理计算得到的分解能与组成元素的离子半径相关联，预测卤化物钙钛矿的热力学稳定性。该模型识别出14,190种双钙钛矿组合，并重新发现了约1,000种稳定的稀土金属卤化物钙钛矿，从而实现了针对太阳能电池用稳定混合钙钛矿材料的靶向设计。

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.

研究动机与目标

• 为克服传统稳定性描述符（如容忍因子）在预测钙钛矿稳定性方面的局限性。
• 开发一种数据驱动方法，将第一性原理计算与机器学习相结合，实现高通量稳定性筛选。
• 识别稳定的双钙钛矿组合，特别是基于稀土金属的卤化物，以用于潜在的光电器件应用。
• 提供元素组成与浓度的指导建议，以增强混合卤化物钙钛矿的稳定性。
• 建立一种可推广的机器学习模型，基于组分的离子半径预测热力学稳定性。

提出的方法

• 利用第一性原理密度泛函理论（DFT）计算了354种卤化物钙钛矿的分解能。
• 训练机器学习模型，以关联分解能与A位和B位阳离子的离子半径。
• 将训练好的模型应用于预测14,190种双钙钛矿组合的稳定性。
• 利用该模型识别出稳定的稀土金属卤化物钙钛矿，并验证其泛化能力。
• 利用模型预测结果，提出优化的元素替代与掺杂浓度，以增强稳定性。
• 将模型预测结果与已知稳定钙钛矿进行对比，并通过补充信息确保模型透明度。

实验结果

研究问题

• RQ1 机器学习能否基于离子半径与DFT计算的分解能，准确预测卤化物钙钛矿的热力学稳定性？
• RQ2 该机器学习模型在训练集之外预测稳定双钙钛矿组合的能力如何？
• RQ3 该模型能否重新发现已知的稳定钙钛矿（特别是基于稀土金属的卤化物），并提出新的稳定候选？
• RQ4 元素替代与浓度变化如何影响混合钙钛矿预测稳定性的结果？
• RQ5 该模型在未包含于初始训练数据中的新钙钛矿组合上，其泛化能力达到何种程度？

主要发现

• 该机器学习模型以高精度成功预测了14,190种双钙钛矿组合的热力学稳定性。
• 该模型重新发现了约1,000种稳定的稀土金属卤化物钙钛矿，展现出强大的泛化能力。
• 预测的稳定性与A位和B位阳离子的离子半径密切相关，验证了模型的物理解释性。
• 该模型为稳定混合卤化物钙钛矿提供了可操作的元素与浓度建议，支持靶向材料设计。
• 该机器学习方法通过直接引入DFT计算的分解能，优于传统描述符（如容忍因子）。
• 本研究建立了一个可扩展、数据驱动的钙钛矿稳定性工程框架，可推广至其他钙钛矿家族。