Recientemente, el profesor de física Universidad del Sureste Wang Jinlan grupo de discusión a través de una combinación de técnicas de aprendizaje de máquina y la teoría funcional de la densidad (DFT), propuso una nueva política establece el diseño de materiales inteligente, predicho con éxito los más de 5.000 especies de potenciales perovskita híbrido orgánico-inorgánico materiales (HOIPs) de banda prohibida, y seleccionar una variedad de estabilidad ambiental, con una separación moderada de HOIPs sin plomo materiales de las celdas solares. del estudio, publicado en línea en el niño revista Nature "• comunicación natural" (comunicaciones Naturaleza), título como el descubrimiento acelerado de vía híbridos orgánicos-inorgánicos perovskitas aprendizaje de máquina sin plomo estable.
El contexto de la crisis energética, la necesidad urgente de nuevos materiales para células solares eficaces y no tóxicas para sustituir a los combustibles fósiles tradicionales. Sin embargo, los métodos de diseño tradicionales de la existencia de ineficiencia de material, desperdicio de recursos y problemas graves, especialmente en la cara de miles de cuando los candidatos, este enfoque es insuficiente. recientemente, ML tecnología emergente en el campo del diseño de materiales. puenteando la mecánica cuántica complejos, la tecnología ML no sólo puede acelerar en gran medida el diseño de nuevos materiales funcionales, sino también para aprender de los datos materiales QSAR materiales básicos. esta nueva estrategia de diseño de material ha sido aplicado con éxito en el arte de diodo orgánico de emisión de luz molecular, una aleación de memoria de forma, piezoeléctrico, etc., pero no ha sido en gran potencial para aplicaciones fotovoltaicas de híbrido orgánico-inorgánico perovskita minería áreas de exploración que sea eficaz.
El profesor Wang Jinlan de la Facultad de Física de la Universidad Southeast, basado en la tecnología ML y el cálculo DFT, desarrolló un método de conducción dirigido para encontrar HOIP eficientes y estables sin plomo.Los investigadores entrenaron modelos ML a partir de 212 informes de valores de banda prohibida HOIP. , predijo exitosamente la brecha de banda de más de 5.000 HOIP potenciales, y finalmente proyectó seis HOIP ortogonales sin plomo con espacio de banda solar apropiado y estabilidad térmica a temperatura ambiente, dos de los cuales tienen espacio de banda directo en la región visible y excelente estabilidad ambiental. Los investigadores también utilizaron la tecnología de ML para la minería de datos grandes para obtener los factores clave que afectan el rendimiento de las células solares HOIP ideales. Este método de conducción dirigida supera los principales obstáculos de los métodos tradicionales de prueba y error, no solo puede alcanzar la precisión DFT instantáneamente, sino también Adecuado para pequeños conjuntos de datos. Este trabajo ha acelerado enormemente el proceso de diseño de materiales híbridos de perovskita con potencial para aplicaciones fotovoltaicas, y puede aplicarse al diseño y descubrimiento de otros materiales funcionales. El primer autor de este documento es una maestría en física en la Universidad Southeast. Lu Shuaihua, un estudiante de primaria y profesor Zhou Yihua, profesor de la Facultad de Física, es el coautor principal. El profesor Wang Jinlan es el único corresponsal del periódico. Como una clave proyectos de investigación y desarrollo nacionales financiados por el programa, el Fondo Nacional de la Juventud excepcional.
