基于机器学习的硫化物钙钛矿太阳能材料筛选
材料科学
2026-04-15 v1
摘要
硫化物钙钛矿作为下一代光伏器件的吸收材料已成为热门候选，但实际实验实现仍受制于竞争相位、结构多态性和合成挑战。本文提出一种完全数据驱动且实验验证的硫化物钙钛矿稳定性与实验可行性筛选与排序框架，集成可解释分析描述子、机器学习模型和可持续性指标。利用整理好的卤化物和硫化物化合物实验数据集，我们通过SISSO(sure independence screening and sparsifying operator)算法推导出一种新容差因子，更准确地区分钙钛矿形成组成比传统容差因子筛选标准更有效。该描述子结合生成晶体结构预测、组成基准带隙估计和机器学习可行性评估，系统探索了广泛的假设性硫化物钙钛矿化学空间。所得候选方案进一步使用可持续性指标进行评估，实现针对单结合和双结合光伏结构的多目标排序。除了识别出几个有前景且尚未被发现的硫化物钙钛矿材料外，本工作还展示了一种可迁移的受约束化学材料空间筛选策略，平衡了光电性能、实验可行性和长期可持续性。
引用
@article{arxiv.2602.21812,
title = {ML-guided screening of chalcogenide perovskites as solar energy materials},
author = {Diego A. Garzón and Lauri Himanen and Luisa Andrade and Sascha Sadewasser and José A. Márquez},
journal= {arXiv preprint arXiv:2602.21812},
year = {2026}
}