近日, 東南大學物理學院王金蘭教授課題組通過結合機器學習技術和密度泛函理論(DFT), 提出了一套智能化的材料設計新策略, 成功預測了5000餘種潛在有機無機雜化鈣鈦礦材料 (HOIPs) 的帶隙, 並且從中挑選出了多種環境穩定, 帶隙適中的無鉛HOIPs太陽能電池材料. 該研究成果線上發表在Nature子刊《自然•通訊》(Nature Communications)上, 標題為Accelerated discovery of stable lead-free hybrid organic-inorganic perovskites via machine learning.
能源危機的大背景下, 迫切需要高效無毒的新型太陽能電池材料來取代傳統的化石能源. 然而傳統的材料設計方法存在著效率低下, 資源浪費嚴重等問題, 尤其是面對成千上萬種候選材料時, 這種方法更是捉襟見肘. 最近, ML技術在材料設計領域嶄露頭角. 通過繞過複雜的量子力學, ML技術不僅可以大大加快新型功能材料的設計, 而且還能從材料數據中學習到材料基本的構效關係. 這一新的材料設計策略已經在分子有機發光二極體, 形狀記憶合金, 壓電體等領域得到成功應用, 然而還未在極具光伏應用潛力的有機無機雜化鈣鈦礦領域得到有效探索.
東南大學物理學院王金蘭教授課題組基於ML技術和DFT計算, 開發了一種靶向驅動法用於發現高效, 穩定的無鉛HOIPs. 研究人員從212個已報道的HOIPs帶隙值中訓練ML模型, 成功預測了5000多種潛在HOIPs的帶隙, 最終篩選出六種具有適當太陽能帶隙和室溫熱穩定性的正交無鉛HOIPs, 其中兩種在可見區域具有直接帶隙和優異的環境穩定性. 研究人員還通過ML技術進行大數據挖掘, 獲得了影響理想HOIPs太陽能電池性能的關鍵因素. 這一靶向驅動法克服了傳統試錯法的主要障礙, 不僅可以瞬間達到DFT精度, 而且特別適用於小數據集. 這一工作極大地加速了具有光伏應用潛力的雜化鈣鈦礦材料設計進程, 並可應用於其他功能材料的設計與發現. 本文第一作者為東南大學物理學院碩士一年級學生陸帥華, 物理學院教師周跫樺老師為共同第一作者, 王金蘭教授為論文唯一通訊作者. 該工作受到國家重點研發計劃, 國家傑出青年基金等項目資助.