​JMCA: 机器学习筛选用于高效钙钛矿太阳能电池的界面钝化材料

• 未分类 • 阅读 22
【做计算 找华算】理论计算助攻顶刊，10000+成功案例，全职海归技术团队、正版商业软件版权！


智能筛选钝化材料对于提高钙钛矿太阳能电池（PSC）的功率转换效率（PCE）值至关重要，而目前仍缺乏这一点。
​JMCA: 机器学习筛选用于高效钙钛矿太阳能电池的界面钝化材料
在此，北京交通大学徐征研究员、宋丹丹副教授及福建师范大学卫东等人以PSC 的钙钛矿/空穴传输层（HTL）界面为例，采用机器学习方法在原子水平上映射PCE和界面钝化材料之间的相关性，从而实现智能材料筛选。首先，作者构建了包括大约100种用于钙钛矿/空穴传输层界面的界面材料的数据集。然后，在进行机器学习之前提取不同的特征，包括从界面材料、钙钛矿和标准器件性能中提取的特征。
接下来，采用线性回归（LR）、随机森林（RF）、极端梯度提升（XGBoost）、神经网络（NN）4种模型预测基于100多种界面材料的器件效率。模型评估表明，RF模型最好地预测了PCE，均方根误差为0.7%。最后，作者使用DFT计算来模拟钙钛矿表面和界面材料之间的相互作用以解释这些特征在确定器件PCE中的重要性。
​JMCA: 机器学习筛选用于高效钙钛矿太阳能电池的界面钝化材料
图1. 这项工作中使用的机器学习方法的工作流程
基于上述结果和讨论，可以总结出界面材料筛选/设计的三个基本规则：
（1）材料应至少具有一个NH3+末端；
（2）C链短，无苯环为佳；
（3）其他官能团的效率不如NH3+。这些发现得到了数据集中列出的实验结果的支持，然而应通过系统实验和特定表征方法进一步深入了解这些发现背后的潜在机制。
此外，这些发现是从基于设备PCE的机器学习模型中获得的。如果考虑其他设备性能指标（如稳定性、成本等），结果可能会有所不同，更多与其他设备性能指标相关的机器学习模型对于筛选实际应用的材料至关重要。尽管如此，机器学习方法可为材料筛选/设计提供一般规则，并在实验前预测几乎准确的结果。这将显著加快新型界面材料的开发，降低材料成本和时间消耗。
​JMCA: 机器学习筛选用于高效钙钛矿太阳能电池的界面钝化材料
图2. 不同模型的预测性能及特征重要性分析
Screening interface passivation materials intelligently through machine learning for highly efficient perovskite solar cells, Journal of Materials Chemistry A 2022. DOI: 10.1039/D2TA04788H
【做计算 找华算】华算科技专注理论计算服务，正版商业软件版权、全职海归计算团队，10000+成功案例！
计算性质涉及OER/ORR、CO2RR、HER、NRR台阶图、反应路径、反应机理、过渡态、吸附、掺杂、能带、态密度、d带中心、电荷密度与电荷得失、PDOS/COHP、反应能垒、反应动力学/热力学等。
电话同微信：13622320172

 点击阅读原文，提交计算需求！

原创文章，作者：华算老司机，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2022/09/20/1b8f5920a3/

赞 (0)
0

相关推荐