纽约州立大学ACS AMI: 机器学习预测甲基铵锡基钙钛矿中的最佳Br掺杂

作为卤化铅钙钛矿潜在替代者的有机-无机卤化锡钙钛矿家族（MASnX₃，其中X = Cl、Br、I）由于其带隙可调性，可通过用溴化学取代碘来覆盖广泛的可见太阳光谱。尽管这些钙钛矿太阳能电池具有巨大的潜力，但其稳定性一直是一个值得关注的领域。

在此，美国纽约州立大学Saquib Ahmed等人基于监督机器学习（ML）准确预测单结MASnI_3-xBr_x器件中的最佳Br掺杂浓度，在使用太阳能电池电容模拟器（SCAPS）构建的42000个独特器件上进行了数据驱动的优化。通过改变Br掺杂百分比、带隙、电子亲和力、串联电阻、背接触金属和受体浓度来研究这些器件，这些参数是专门选择的，因为它们的可调性质和可以通过器件的简单实验制备技术进行改性。

作者利用五种不同的算法（线性回归（LR）、支持向量回归（SVR）、多层感知机（MLP）、随机森林（RF）回归和极端梯度提升（Xgboost））来研究特征工程，此外，在设备内掺杂Br之前的第一步包括对纯锡基系统MASnI₃的验证研究：实现了6.71% 的功率转换效率（PCE），与实验数据非常吻合。

图1. LR和RF模型的训练和测试集的实际带隙和预测带隙之间的比较

结果表明，最佳Br掺杂的ML分析导致发现了两种Br浓度分别为22.43% （Br22）和25.63%（Br25）的器件，后者是通过更严格的分析获得的更精细的值。为了了解每个特征对PCE的总体和相对影响，作者使用SHAP方法进行分析。针对发现的两个器件，利用SCAPS进行了进一步的器件优化。

作者尝试了吸收体厚度、体积和界面缺陷密度的调控及电子传输层（ETL）和空穴传输层（HTL）材料的选择，通过载流子寿命研究分析了器件稳定性。在这些优化步骤之后，Br22和Br25的最终PCE值分别为20.72% 和17.37%。总之，当前工作的ML辅助定量分析为最佳Br掺杂锡基器件提供了极大的信心，使其被视为传统技术的可行且具有竞争力的无毒替代品。

图2. Br22和Br25的缺陷能级和相应的缺陷浓度

Supervised Machine Learning-Aided SCAPS-Based Quantitative Analysis for the Discovery of Optimum Bromine Doping in Methylammonium Tin-Based Perovskite (MASnI_3–xBr_x), ACS Applied Materials & Interfaces 2021. DOI: 10.1021/acsami.1c15030

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/6e08f9c8be/

纽约州立大学ACS AMI: 机器学习预测甲基铵锡基钙钛矿中的最佳Br掺杂

相关推荐

发表回复