机器学习揭示卤化物钙钛矿中组分依赖的热稳定性
材料科学
2025-04-25 v2 机器学习
摘要
由于多种组分依赖的降解机制，卤化物钙钛矿在环境应力下表现出不可预测的性质。在这项工作中，我们应用数据可视化和机器学习（ML）技术，利用高通量、原位环境光致发光（PL）实验，揭示了组分、温度和材料性质之间意想不到的相关性。相关性热图显示了Cs含量对薄膜降解的强烈影响，而降维可视化方法则揭示了清晰的基于组分的数据聚类。一种极端梯度提升算法（XGBoost）能够有效预测十种钙钛矿薄膜的PL特征，采用与组分无关（>85%准确率）和与组分相关（>75%准确率）的模型方法，同时阐明了组分（高达99%）的相对特征重要性。该模型验证了先前未观察到的Cs含量与材料热稳定性之间的反相关关系。我们基于ML的框架可扩展到任何钙钛矿家族，显著减少当前用于识别光伏稳定选项的分析时间。
引用
@article{arxiv.2504.04002,
title = {Machine Learning Reveals Composition Dependent Thermal Stability in Halide Perovskites},
author = {Abigail R. Hering and Mansha Dubey and Elahe Hosseini and Meghna Srivastava and Yu An and Juan-Pablo Correa-Baena and Houman Homayoun and Marina S. Leite},
journal= {arXiv preprint arXiv:2504.04002},
year = {2025}
}
备注
21 pages, 5 figures