机器学习驱动的洞察力为相稳 FA Cs 1- Pb I Br 1- ) 3 太阳能电池中的矿
Ran Luo1,2,3,4, Xiangkun Jia3,4, Xiuxiu Niu3,4
1Joint School of National University of Singapore and Tianjin University, International Campus of Tianjin University, Fuzhou 350207, China.
JACS Au
|May 2, 2025
概括
机器学习加速了稳定的矿太阳能电池组成的发现. 这种方法可以确定最佳的矿吸收器,用于并联应用,克服诸如太阳能设备中的相分离等挑战.
科学领域:
- 材料科学 材料科学 材料科学
- 可再生能源是可再生能源的来源.
- 计算化学的计算化学
背景情况:
- 矿材料为太阳能电池应用提供可调节的性能.
- 鉴定最佳的矿组成是具有挑战性的,因为广泛的变化.
- 传统的方法,如试错是昂贵的和环境不可持续的.
研究的目的:
- 采用机器学习加速原子模拟来设计稳定的矿太阳能电池吸收器.
- 为了确定最佳的矿化合物,以配对太阳能电池应用.
- 解决和克服矿材料中的热力学不稳定性和相分离.
主要方法:
- 使用第一原则计算来训练神经网络 (NN) 潜力,以获得高精度.
- 构建FAxCs1-xPb(IyBr1-y) 3矿的相位和带间隔图.
- 利用NN的潜力进行全面的查和确定最佳成分.
主要成果:
- 确定了用于并联应用的1.7和1.8 eV频段间隙的最佳矿组成.
- 发现带隙>1.8 eV的矿易发生相分离.
- 通过控制分离动力学,开发了一种稳定热力学不稳定相的策略.
- 实验验证证证实了理论预测.
结论:
- 机器学习加速模拟为矿材料设计提供了一条有效的路线.
- 使用1.7 eV的矿/合体太阳能电池,矿/合体太阳能电池比1.8 eV的矿/合体太阳能电池具有较少的相分离挑战.
- 开发的战略为提高矿太阳能电池的稳定性和性能提供了一条途径.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
899
11:38Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
Published on: October 4, 2024
433
