Modelo de diseño predictivo para perovskitas halogenadas orgánicas e inorgánicas de baja dimensión asistido por...

Área de la Ciencia:

• Ciencias de los materiales
• La cristalografía
• Química computacional

Sus antecedentes:

• Las perovskitas halogenadas orgánicas-inorgánicas de baja dimensión exhiben propiedades optoelectrónicas y magnéticas únicas.
• Predecir la dimensionalidad de estas perovskitas basándose en la estructura de cationes orgánicos es un desafío debido a la falta de modelos cuantitativos.

Objetivo del estudio:

• Desarrollar un enfoque asistido por aprendizaje automático (ML) para predecir la dimensionalidad de las perovskitas a base de yoduro de plomo.
• Identificar las características estructurales clave de los cationes orgánicos que dictan la dimensionalidad de la perovskita.

Principales métodos:

• Una revisión de la literatura identificó 86 aminas, clasificadas como formadoras de 2D o no formadoras de 2D.
• Los modelos de aprendizaje automático se entrenaron utilizando características descriptivas de cationes de amonio.
• Se identificaron cuatro características estructurales clave: índice de efecto estérico, excentricidad, mayor tamaño del anillo y donante de enlaces de hidrógeno.

Principales resultados:

• Se derivó una ecuación cuantitativa para predecir la probabilidad de formar perovskitas 2D basadas en características de aminas.
• El modelo ML predijo con precisión la dimensionalidad de las aminas no probadas.
• La verificación experimental a través del crecimiento de un solo cristal confirmó las predicciones del modelo.

Conclusiones:

• Este trabajo establece un modelo predictivo para estructuras híbridas de perovskita halogenada de baja dimensión.
• El aprendizaje automático sirve como una herramienta poderosa para comprender y predecir las estructuras cristalinas en la ciencia de los materiales.
• Las características identificadas proporcionan información fundamental sobre los efectos de dirección de la estructura en la formación de perovskita.