机器学习预测的Cs2PbSnI6双矿纳米晶体的合成
Pritish Mishra1,2,3, Mengyuan Zhang1, Manaswita Kar4
1School of Materials Science and Engineering, Nanyang Technological University, 50 Nanyang Technological University, Singapore 639798, Singapore.
ACS nano
|February 6, 2025
概括
研究人员开发了一种机器学习模型来预测化矿带间隙,确定Cs2PbSnI6作为光电子学的有前途材料. 这加速了用于先进应用的新材料的发现.
科学领域:
- 材料科学 材料科学 材料科学
- 光电学是指光电子产品.
- 计算化学的计算化学
背景情况:
- 化矿对光子学和光电子学至关重要,因为它具有可调节的发射和可制造性.
- 化矿的全部潜力受到未绘制的成分-排放能源格局的限制.
- 有针对性的材料合成需要指导高通量选方法.
研究的目的:
- 开发一种机器学习模型,用于预测化矿带间隙.
- 为光电子应用识别有前途的化矿矿化合物.
- 用实验合成和表征来验证预测模型.
主要方法:
- 对10920种化矿矿化合物的文献数据汇编.
- 机器学习模型开发用于频段差距预测.
- Cs2PbSnI6纳米晶体的合成和表征.
- 最初的GW频段结构计算.
主要成果:
- 一个机器学习模型准确地预测了横跨广化矿组成空间的带间隙.
- 实验验证证了模型对Cs2PbSnI6.6的预测.
- 合成的 Cs2PbSnI6 呈现出与预测的带间隙一致的光发光谱.
结论:
- 开发的机器学习模型有助于高效地探索化 PeroVskite 材料.
- 埃尔帕索利特Cs2PbSnI6被认为是光电子设备的非常有前途的材料.
- 这项工作将计算预测与实验验证与加速材料发现相结合.


