高効率ペロブスカイト太陽電池のためのトップインターフェイスパッシベーターの機械学習による探索加速

科学分野:

• 材料科学
• 再生可能エネルギー
• 計算化学

背景:

• 界面パッシベーションは、ペロブスカイト太陽電池（PSC）の欠陥を低減するために重要である。
• 潜在的なパッシベーターの広大な化学空間が、効率的な発見を複雑にしている。
• 効果的なパッシベーターの開発には、構造と特性の関係の理解が必要である。

研究 の 目的:

• 効果的なアンモニウム塩パッシベーターの特定を加速するための、機械学習（ML）ガイド付きワークフローを開発する。
• n-i-pおよびp-i-nペロブスカイト太陽電池構成の両方に適用可能なアーキテクチャ認識フレームワークを作成する。
• パッシベーター選択のための物理的に意味のある設計規則を提供する。

主な方法:

• パッシベーターに関する296件の文献記録（2017-2024年）からなるデータセットをキュレーションした。
• MLモデルのトレーニングのために、分子フィンガープリントと記述子セットを使用してパッシベーターを表した。
• XGBoostやサポートベクター回帰（SVR）を含む72の回帰モデルをトレーニングおよび評価した。
• 特徴量の重要度分析のためにSHapley Additive exPlanations（SHAP）を利用した。

主要な成果:

• n-i-pおよびp-i-nアーキテクチャで最もパフォーマンスの高いMLモデルを特定：n-i-pには256&XGBoost、p-i-nにはRDKit&SVR。
• SHAP分析により、パッシベーター濃度、分子量（120-280 g/mol）、極性、ハロゲン組成（I/Br比）が主要な要因であることが判明。
• 実験的検証により、選択されたパッシベーターの改善率が1.152となり、予測値1.134に近接した。

結論:

• 効率的な界面パッシベーターのスクリーニングのための、転移可能でSHAPガイド付きのMLフレームワークを確立した。
• ペロブスカイト太陽電池のための物理的に意味のある設計規則を提供するフレームワークの能力を実証した。
• 高性能パッシベーターの発見を加速し、デバイス効率を向上させることに成功した。