Diseño y síntesis de perovskitas con espacios de banda específicos a través de descriptores personalizados

Área de la Ciencia:

• Ciencias de los materiales
• Química del estado sólido
• Energía renovable

Sus antecedentes:

• Los óxidos de tipo perovskita son cruciales para la conversión de energía solar.
• La comprensión de los determinantes de la brecha de banda es esencial para el diseño de materiales.
• Los modelos predictivos pueden acelerar el descubrimiento de nuevos materiales fotoactivos.

Objetivo del estudio:

• Para identificar los descriptores que rigen las bandas de óxido de perovskita.
• Desarrollar un modelo de aprendizaje automático para la predicción de brechas de banda.
• Acelerar el descubrimiento de perovskitas fotoactivas para aplicaciones de energía solar.

Principales métodos:

• Análisis de los materiales de perovskita experimentalmente reportados.
• Centrarse en las características de composición, estructura y electrónica.
• Desarrollo y aplicación de un modelo de aprendizaje automático.
• Síntesis y caracterización de las composiciones de perovskita previstas.

Principales resultados:

• Se identificaron los descriptores clave para las bandas de perovskita.
• Un modelo de aprendizaje automático predijo con precisión bandas en un amplio espacio químico.
• Se sintetizaron con éxito varias composiciones novedosas de perovskita con propiedades ópticas específicas.
• La caracterización experimental confirmó las fases y los intervalos previstos.

Conclusiones:

• Los flujos de trabajo guiados por descriptores y datos aceleran el descubrimiento de perovskitas fotoactivas.
• Este enfoque es eficaz para identificar materiales para la conversión de energía solar.
• Los hallazgos apoyan el uso del aprendizaje automático en el descubrimiento de materiales para aplicaciones basadas en la luz visible.