利用多保真度机器学习与遗传算法发现新型卤化物钙钛矿合金
材料科学
2023-10-23 v1
摘要
扩充具有诱人光电特性的稳定卤化物钙钛矿库，对于解决其作为光伏（PV）吸收层性能当前的局限至关重要。在本文中，我们展示了如何将卤化物钙钛矿合金的高通量密度泛函理论（DFT）数据集用于训练准确的代理模型以进行性质预测，并随后使用遗传算法（GA）进行逆向设计。我们的数据集包含来自GGA-PBE和HSE06泛函的近800种纯组分与混合组分ABX化合物的分解能、带隙和光伏效率，并结合了从文献收集的约100个实验数据点。使用对组分、相和保真度进行独热编码的描述符，并额外包含A、B和X位点的已知元素或分子性质，在DFT+实验数据集上针对每种性质训练了多保真度随机森林回归模型。严格优化的模型被部署用于对超过150,000种假设化合物进行实验级预测，从而得到数千种具有低分解能、带隙介于1至2 eV之间且效率>15%的有前景材料。代理模型进一步与GA结合，使用目标函数以保持化学可行性、最小化分解能、最大化光伏效率并将带隙保持在1至2 eV之间；由此发现了数百种更优的组成与相。我们展示了筛选与逆向设计材料的分析，可视化了利用ML预测为许多感兴趣体系生成的三元相图，并提出了未来进一步改进与扩展的策略。
引用
@article{arxiv.2310.13153,
title = {Discovering Novel Halide Perovskite Alloys using Multi-Fidelity Machine Learning and Genetic Algorithm},
author = {Jiaqi Yang and Panayotis Manganaris and Arun Mannodi-Kanakkithodi},
journal= {arXiv preprint arXiv:2310.13153},
year = {2023}
}