机器学习从13万候选中筛选出5种稳定无铅钙钛矿，AI加速光伏材料发现
B910化工消息：5月25日消息，arXiv预印本平台发表的一项研究展示了如何利用机器学习和密度泛函理论（DFT）大规模筛选无铅双钙钛矿半导体材料，为光伏电池、传感器和透明电子器件领域提供了5种新的候选材料。
该研究由Nafis Ahtasu、Sohanur Rahman Sohan等人完成。研究团队提出了一个受基因组学启发的物理信息框架，通过四个物理可解释的描述符家族——堆积（packing）、键合（bonding）、极化（polarization）和电子身份（electronic identity）——来解码双钙钛矿的热力学稳定性和光电行为。
卤化物钙钛矿因其在光伏领域的优异性能而备受关注，但铅的毒性限制了其商业化应用。无铅钙钛矿的发现面临巨大的组合空间挑战——仅A2BB'X6型双钙钛矿就有数万种可能的元素组合。传统的逐一计算筛选方法成本高昂、效率低下。
研究团队在1221个DFT计算的A2BB'X6化合物上训练了机器学习代理模型。稳定性分类器在验证集上实现了ROC-AUC = 0.92的高召回率表现，XGBoost带隙回归器在测试集上达到R2 = 0.93。两个模型均展现出优异的泛化能力。
在筛选阶段，研究团队将13088种电荷平衡的无铅组合通过逐级逆设计约束条件过滤，最终缩小至5种经DFT验证的热力学稳定半导体：Rb2SnMnBr6、Cs2CdSnBr6、Cs2CdSnI6、Cs2KGaI6和Cs2AgAlBr6。这5种候选物均位于凸包上（E_hull不超过0 meV/atom），能保持有序的双钙钛矿结构，并展现出超过10的5次方cm负1次方的强光学吸收。
研究进一步通过基因型-表型耦合分析揭示了层级控制机制：堆积基因决定结构可成型性，键合基因控制近边光学跃迁和导电性，光电响应基因调节介电响应和激子屏蔽（epsilon_0 = 4.6-8.2）。这种分析框架不仅适用于当前筛选的双钙钛矿体系，还可推广至其他材料体系的逆设计。
从产业角度看，该研究标志着AI驱动的材料发现在光伏领域进入了更加系统化的阶段。传统试错法发现一种新材料往往需要数月甚至数年的实验验证，而该框架将计算筛选过程从数万次DFT计算压缩至机器学习的毫秒级推理，大幅缩短了从组合空间到候选材料的距离。5种新发现的稳定化合物为无铅钙钛矿光伏电池提供了具体的研究靶标，有望推动下一代环保型太阳能电池的发展。 （来源：arXiv）
该研究由Nafis Ahtasu、Sohanur Rahman Sohan等人完成。研究团队提出了一个受基因组学启发的物理信息框架，通过四个物理可解释的描述符家族——堆积（packing）、键合（bonding）、极化（polarization）和电子身份（electronic identity）——来解码双钙钛矿的热力学稳定性和光电行为。
卤化物钙钛矿因其在光伏领域的优异性能而备受关注，但铅的毒性限制了其商业化应用。无铅钙钛矿的发现面临巨大的组合空间挑战——仅A2BB'X6型双钙钛矿就有数万种可能的元素组合。传统的逐一计算筛选方法成本高昂、效率低下。
研究团队在1221个DFT计算的A2BB'X6化合物上训练了机器学习代理模型。稳定性分类器在验证集上实现了ROC-AUC = 0.92的高召回率表现，XGBoost带隙回归器在测试集上达到R2 = 0.93。两个模型均展现出优异的泛化能力。
在筛选阶段，研究团队将13088种电荷平衡的无铅组合通过逐级逆设计约束条件过滤，最终缩小至5种经DFT验证的热力学稳定半导体：Rb2SnMnBr6、Cs2CdSnBr6、Cs2CdSnI6、Cs2KGaI6和Cs2AgAlBr6。这5种候选物均位于凸包上（E_hull不超过0 meV/atom），能保持有序的双钙钛矿结构，并展现出超过10的5次方cm负1次方的强光学吸收。
研究进一步通过基因型-表型耦合分析揭示了层级控制机制：堆积基因决定结构可成型性，键合基因控制近边光学跃迁和导电性，光电响应基因调节介电响应和激子屏蔽（epsilon_0 = 4.6-8.2）。这种分析框架不仅适用于当前筛选的双钙钛矿体系，还可推广至其他材料体系的逆设计。
从产业角度看，该研究标志着AI驱动的材料发现在光伏领域进入了更加系统化的阶段。传统试错法发现一种新材料往往需要数月甚至数年的实验验证，而该框架将计算筛选过程从数万次DFT计算压缩至机器学习的毫秒级推理，大幅缩短了从组合空间到候选材料的距离。5种新发现的稳定化合物为无铅钙钛矿光伏电池提供了具体的研究靶标，有望推动下一代环保型太阳能电池的发展。 （来源：arXiv）
