用机器学习对混合矿材料进行多维高通量选.
Chengbing Chen1, Jianrong Xiao1,2, Zhiyong Wang1,2
1College of Physics and Electronic Information Engineering, Guilin University of Technology, Guilin 541008, China.
The Journal of chemical physics
|March 17, 2025
概括
研究人员开发了一种机器学习策略,以有效地选混合化物无机矿 (MHIPs) 用于太阳能电池应用. 这种方法确定了具有最佳带隙和光吸收特性的有希望的MHIP,加速了材料的发现.
科学领域:
- 材料科学 材料科学 材料科学
- 太阳能光伏发电是如何实现的
- 计算化学计算化学
背景情况:
- 混合化物无机矿 (MHIPs) 由于其稳定性和性能,对光伏应用具有很大的前景.
- 庞大的MHIP化学空间使得通过传统的实验或理论方法单独识别最佳材料具有挑战性.
研究的目的:
- 开发和验证一个多维的高通量选策略,结合机器学习和第一原则计算.
- 确定具有最佳带隙和光吸收特性的MHIP,以提高光伏性能.
主要方法:
- 机器学习方法与第一原则计算相结合,用于高通量选.
- 开发和验证了带隙和光吸收的模型,实现了高精度 (r2 > 0.98).
- 密度函数理论 (DFT) 用于验证选材料的一个子集.
主要成果:
- 通过不同的B站点元素生成了超过306,000个MHIP候选材料.
- 成功选了295种具有MHIP应用理想特性的材料.
- 在DFT验证后确定了Cs2AgBi0.5Sb0.25Ir0.25I6和CsSn0.75Ge0.25I3作为非常有前途的候选物.
结论:
- 机器学习和第一原则选策略的结合是有效和科学有效的,用于发现高性能MHIP.
- 鉴定的材料为进一步研究和优化矿太阳能电池提供了坚实的基础.
- 这种方法显著加速了先进光伏材料的发现过程.
