基于密度泛函理论与机器学习的 CsSnI₃ 缺陷形成研究
材料科学
2024-12-04 v2
摘要
锡基钙钛矿作为低毒材料，正被积极研究用于光电应用。然而，其性能受限于 p 型自掺杂，可通过阳离子位点的替位掺杂来抑制。本研究将密度泛函理论（DFT）计算与机器学习（ML）相结合，开发预测模型并识别影响 CsSnI₃ 中替位掺杂剂形成能和电荷跃迁能级的关键描述符。我们的 DFT 计算生成了形成能和电荷跃迁能级数据集，表明 Y、Sc、Al、Nb、Ba 和 Sr 为有效掺杂剂，能将费米能级钉扎在带隙较高位置，从而抑制 p 型自掺杂。我们探索了多种 ML 算法，并提出训练随机森林回归模型来预测缺陷形成性质。该工作展示了 DFT 与机器学习相结合的预测能力，并为决定缺陷形成能量学的重要特征提供了洞见。
引用
@article{arxiv.2411.07448,
title = {Defect formation in CsSnI$_3$ from Density Functional Theory and Machine Learning},
author = {Chadawan Khamdang and Mengen Wang},
journal= {arXiv preprint arXiv:2411.07448},
year = {2024}
}