EES: DFT+机器学习驱动设计新型卤化物钙钛矿合金

卤化物钙钛矿性质的高度可调性为光电应用提供了新的机会，也为探索组合化学空间带来了重大挑战。

在此，美国普渡大学/阿贡国家实验室Arun Mannodi-Kanakkithodi等人开发了一个用于预测具有B位混合的卤化物钙钛矿合金选定化学空间的结构、电子、光学和缺陷特性的框架，由使用PBE和HSE06泛函进行的高通量DFT计算和使用各种组成原子或分子的平均元素属性作为输入描述符对结果数据集进行训练的神经网络（NN）回归模型组成。

其中，在具有 A、B 和X原子的一组选定选项的ABX₃钙钛矿的化学空间中，作者利用DFT模拟了具有B位混合化合物的伪立方结构，并利用半局域泛函和杂化泛函计算了几种性质，包括稳定性、晶格常数、带隙、空位形成能、折射率和基于光学吸收光谱的光伏品质因数。

图1. PBE和HSE计算的229种化合物的晶格常数

此外，NN模型通过对超参数、训练-测试拆分和交叉验证的严格调整对DFT数据进行训练，然后对17955种化合物的数据集进行预测从而筛选出具有适当带隙、光吸收和缺陷容限的稳定材料。最终，获得了574种有前途的化合物，根据其光伏品质因数被列为潜在吸收剂。

作者揭示了筛选的一组有吸引力的混合阳离子卤化物钙钛矿的组成趋势，其中甲基铵（MA）和甲脒（FA）基碘化物占优势，B位混合包含较大比例的Pb和Sn及较小比例的Ge、Ba、Sr和Ca。这里开发的数据驱动设计框架有望用于设计新颖的钙钛矿混合组成且可以扩展到更广泛的化学空间，将有助于下一代光电子、功率器件和相关应用的新型结构、成分和合成途径的加速设计。

图2. 筛选过程中钙钛矿组成空间的可视化

Data-Driven Design of Novel Halide Perovskite Alloys, Energy & Environmental Science 2022. DOI: 10.1039/D1EE02971A