Эта работа опубликована на обложке апрельского номера журнала Энергетические письма ACS.

Гибридные перовскиты - это органико-неорганические молекулы, которым за последние 10 лет уделялось много внимания из-за их потенциального использования в возобновляемых источниках энергии, сказала Марина Лейте, доцент кафедры материаловедения и инженерии Калифорнийского университета в Дэвисе и старший автор статьи. Некоторые из них сравнимы по эффективности с кремнием для изготовления солнечных элементов, но они дешевле в изготовлении и легче, что потенциально позволяет использовать их в широком спектре применений, включая светоизлучающие устройства.

Основная проблема в этой области заключается в том, что перовскитные устройства, как правило, разлагаются гораздо быстрее, чем кремниевые, под воздействием влаги, кислорода, света, тепла и напряжения. Проблема состоит в том, чтобы найти, какие перовскиты сочетают высокую эффективность с устойчивостью к условиям окружающей среды.

Перовскиты имеют общую структуру ABX3, где A - органическая (на основе углерода) или неорганическая группа, B - свинец или олово, а X - галогенид (на основе хлора, йода или фтора или их комбинации). Таким образом, "количество возможных химических комбинаций само по себе огромно", - сказал Лейте. Кроме того, их необходимо оценивать с учетом множества условий окружающей среды, по отдельности и в сочетании, что приводит к гиперпараметрическому пространству, которое невозможно исследовать с помощью обычных методов проб и ошибок.

"Диапазон химических параметров огромен", - сказал Лейте. "Тестирование их всех заняло бы очень много времени и утомительно".

Высокопроизводительные эксперименты и машинное обучение

В качестве первого и ключевого шага к решению этих задач Лейте и аспиранты Мегна Шривастава и Эбигейл Херинг решили проверить, могут ли алгоритмы машинного обучения быть эффективными при тестировании и прогнозировании влияния влаги на деградацию материалов.

Шривастава и Херинг создали автоматизированную высокопроизводительную систему для измерения эффективности фотолюминесценции пяти различных перовскитовых пленок в условиях летних дней в Сакраменто. Они смогли собрать более 7000 измерений за неделю, накопив достаточно данных для надежного обучающего набора.

Они использовали эти данные для обучения трем различным алгоритмам машинного обучения: модели линейной регрессии, нейронной сети и статистической модели под названием SARIMAX. Они сравнили предсказания моделей с физическими результатами, измеренными в лаборатории. Модель SARIMAX показала наилучшую производительность с 90-процентным соответствием наблюдаемым результатам в течение 50 с лишним часов.

"Эти результаты демонстрируют, что мы можем использовать машинное обучение для определения материалов-кандидатов и подходящих условий для предотвращения деградации перовскитов", - сказал Лейте. Следующими шагами будет расширение экспериментов для количественной оценки комбинаций множества факторов окружающей среды.

По словам Лейте, сама перовскитовая пленка является лишь частью полноценного фотоэлектрического элемента. Тот же подход к машинному обучению можно было бы также использовать для прогнозирования поведения всего устройства.

"Наша парадигма уникальна, и мне не терпится увидеть предстоящие измерения. Более того, я очень горжусь усердием студентов во время пандемии", - сказала Лейте.

Шривастава является стипендиатом Национального научного фонда 2021 года. Дополнительными авторами статьи являются Ю Ан и Хуан-Пабло Корреа-Баэна, оба из технологического института Джорджии. Работа была поддержана грантами Национального научного фонда и Национальных лабораторий Сандии.