通过高通量实验与机器学习辅助诊断加速光伏材料开发
应用物理
2021-11-11 v1 材料科学
摘要
加速新材料开发的实验周期对于应对二十一世纪的重大能源挑战至关重要。我们在两个月内制备并表征了 75 种独特的卤化物钙钛矿启发式溶液基薄膜材料，其中 87% 具有介于 1.2 eV 与 2.4 eV 之间的带隙，这对于能量收集应用具有重要意义。这种吞吐量的提升得益于简化实验流程、开发适用于高通量合成的前驱体组合，以及开发机器学习辅助诊断。我们利用深度神经网络基于实验 X 射线衍射数据将化合物分类为 0D、2D 和 3D 结构，速度比人工分析快 10 倍以上且准确率达 90%。我们使用铅卤化物钙钛矿验证方法，并将应用拓展至新型无铅组分。更宽的合成窗口与更快的学习周期带来了三项值得注意的科学发现：(1) 我们通过一步液相沉积实现了四种无机层状钙钛矿 A3B2Br9（A = Cs、Rb；B = Bi、Sb）的薄膜形式；(2) 我们报道了一系列先前文献未描述的多位点无铅合金系列 Cs3(Bi1-xSbx)2(I1-xBrx)9；(3) 我们揭示了在 Cs3Bi2I9 的 B 位与 X 位同时用 Sb 和 Br 合金化时对带隙（降低至 <2 eV）与结构的影响。本研究表明，将加速的实验学习周期与基于机器学习的诊断相结合，是迈向实现用于材料发现与开发的完全自动化实验室的重要一步。
引用
@article{arxiv.1812.01025,
title = {Accelerating Photovoltaic Materials Development via High-Throughput Experiments and Machine-Learning-Assisted Diagnosis},
author = {Shijing Sun and Noor T. P. Hartono and Zekun D. Ren and Felipe Oviedo and Antonio M. Buscemi and Mariya Layurova and De Xin Chen and Tofunmi Ogunfunmi and Janak Thapa and Savitha Ramasamy and Charles Settens and Brian L. DeCost and Aaron Gilad Kusne and Zhe Liu and Siyu I. P. Tian and I. Marius Peters and Juan-Pablo Correa-Baena and Tonio Buonassisi},
journal= {arXiv preprint arXiv:1812.01025},
year = {2021}
}
备注
NIPS 2018 Workshop: Machine Learning for Molecules and Materials