01
引言
近年来，钙钛矿太阳能电池 (PSC) 凭借其优异的光电性能和成本效益，成为下一代可再生能源的潜在候选者。然而，传统的试错法和巨大的成分参数空间继续对追求钙钛矿基光电子的卓越性能和高稳定性构成挑战。光电器件对新型材料的需求不断增加，大量数据库的建立使数据驱动的机器学习（ML）方法为预测钙钛矿材料的物理特性、优化和筛选高性能材料以提高能量转化效率和稳定性、以及探索了表征数据与材料和器件性能相关性提供了全新视角。
02
成果展示
近期，来自成均馆大学的Bonghyun Jo研究员，陈文宁研究员，和Hyun Suk Jung教授（通讯作者）综述了ML在钙钛矿材料中的核心应用。文章详细介绍了ML在预测钙钛矿材料物理特性方面的最新进展，如材料性能预测、ML优化流程的建立、材料筛选与性能优化等。此外，文章还涉及到利用实验表征数据来进一步提高器件性能预测的准确性。例如，表征数据中的结晶结构、缺陷密度和晶粒大小等都可以通过ML分析与太阳能电池的光电转化效率相关联，从而为设计更高效稳定的器件提供依据。在未来展望部分，作者还提出了将大型语言模型与文本挖掘技术相结合，快速从文献和数据集中提取有价值的信息，加速新材料的发现与验证。该工作以“Comprehensive review of advances in machine-learning-driven optimization and characterization of perovskite materials for photovoltaic devices”为题发表在期刊Journal of Energy Chemistry上。
图1. 基于不同标准的ML分类和应用：学习目标、学习方法、模型复杂性和模型功能。
03
图文导读
1. 从现有或专门生成的大规模钙钛矿材料数据集中手动筛选高性能材料既费时又费力。与人工工作相比，ML由于其强大的分类和回归能力、快速的计算速度和避免误报的能力，加速了大数据过滤的过程。计算能力的快速发展使研究人员能够根据自己的要求生成大型数据集。对于钙钛矿材料，用周期表中的不同元素代替A +、B 2+和X -位置的分子或原子可以产生许多候选钙钛矿材料。基于这一概念，已经衍生出各种删除和保留任务。
图2 ML用于筛选新型卤化物基钙钛矿用于光伏应用
2. 迄今为止，已经合成了具有不同带隙的各种钙钛矿材料，并且各种器件架构已被用于PSC制造。此外， ML方法可对这些成就进行详尽的方法论评估。ML分析可为理解钙钛矿材料合成的基本机制和克服实验挑战提供了宝贵的见解，从而提高PSC的整体性能和稳定性。
图3 ML优化和设计高性能、稳定的PSC材料
3. ML在化学和材料科学中的最初应用涉及监督回归ML模型来预测特定的化学性质，包括透射率和带隙。带隙工程在控制钙钛矿光收集能力方面发挥着至关重要的作用，对太阳能电池、LED、光敏探测器等各种光电器件进行控制。这是因为带隙能量直接影响各种性能，包括光吸收、光诱导载流子的产生、电荷传输和钙钛矿光伏材料的稳定性。特定带隙能量可能因材料成分、结构和制备条件等因素而异。在钙钛矿领域，研究人员一直在努力调节和优化带隙，以提高PSC性能。此外，形成能是评估混合钙钛矿在实际条件下稳定性的另一个重要物理参数。形成能、八面体因子和容差因子等参数应仔细考虑以确定构建稳定PSC的合适候选成分。
图4 预测各种物理性质的ML研究
4. ML方法已被用于揭示材料表征和器件性能之间以前隐藏的相关性，从而提供对基本工作原理的理解。此外，ML技术可用于对数据进行分类或通过识别数据集中的模式进行预测。
图5 基于表征结果的ML研究
04
小结
随着越来越多强大的开源数据库和更广泛的科学信息可用，ML有望加速新钙钛矿材料的发现，并扩大其在各种光电领域的应用。基于ML的钙钛矿研究前景有：（1）基于ML的钙钛矿光电子先进分析；（2）大语言模型；（3）文本挖掘高效提取钙钛矿信息；（4）钙钛矿的高精度表征模型。
总之，机器学习算法和考虑物理特性的工具对于PSC的成功商业化至关重要。此外，开发对光电特性进行深入分析的方法，解决薄膜质量、规模化制造和长期稳定性问题，为不久的将来实现自动化制造提供了一条有前景的途径。为了确保机器学习辅助钙钛矿光电子研究的准确有效性，构建广泛而高精度的数据库，将机器学习与实验相结合，以及基于大语言模型和文本挖掘构建和管理材料数据的策略非常重要。
文章信息
Comprehensive review of advances in machine-learning-driven optimization and characterization of perovskite materials for photovoltaic devices.
Bonghyun Jo, Wenning Chen, Hyun Suk Jung*.
J. Energy Chem., 2024.
DOI: 10.1016/j.jechem.2024.09.043
作者信息
Bonghyun Jo
于2020年在成均馆大学获得能源科学博士学位。目前在成均馆大学材料科学与工程学院Hyun Suk Jung教授指导下担任研究员。研究重点是钙钛矿太阳能电池和钙钛矿光电二极管的开发，特别是机器学习驱动的添加剂优化、新型成分和光电分析。
陈文宁
成均馆大学未来能源工程学院, 能源与环境纳米材料实验室博士研究生(导师：Hyun Suk Jung)。目前研究主题为人工智能驱动钙钛矿光电子机制解析，和高性能钙钛矿光电器件开发。
Hyun Suk Jung
成均馆大学先进材料科学与工程学院教授。成均馆大学能源科学技术研究所（SIEST）未来能源转换中心主任。于2004年获得首尔国立大学材料科学与工程博士学位，并于2005年加入洛斯阿拉莫斯国家实验室担任主任博士后。发表同行评审论文250余篇，拥有70多项关于无机纳米材料合成和太阳能转换器件的专利。H指数为66。目前的研究重点是钙钛矿光电子，包括柔性钙钛矿模组、叠层太阳能电池、太阳能电池回收、光传感器和忆阻器。
课题组主页：http://eenl.skku.edu/
学术交流QQ群
知光谷光伏器件学术QQ群：641345719
钙钛矿产教融合交流@知光谷（微信群）：需添加编辑微信
为加强科研合作，我们为海内外科研人员专门开通了钙钛矿科创合作专业科研交流微信群。加微信群方式：添加编辑微信pvalley2024、pvalley2019，备注：姓名-单位-研究方向（无备注请恕不通过），由编辑审核后邀请入群。
热门跟贴