基于机器学习的金属卤化物钙钛矿光发射动力学定量预测
材料科学
2020-10-09 v1 应用物理
摘要
金属卤化物钙钛矿(MHP)光电器件可能成为标准硅基技术的可行替代方案，但当前长期稳定性的缺乏阻碍了其商业应用。暴露于标准运行应力因素(光、温度、偏压、氧气和水)下常引发光学与电子动力学过程，亟需对MHP光物理过程进行系统研究并发展用于预测的定量模型。我们解析了甲基铵三溴化铅与三碘化铅薄膜随相对湿度(rH)变化的湿度驱动光发射动力学。利用湿度与光致发光时间序列，我们训练了循环神经网络，并确立其能够以低于11%的误差在12小时内定量预测未来光发射轨迹的能力。综上，我们的原位rH-PL测量与机器学习预测模型为未来稳定钙钛矿器件的理性设计提供了框架，从而加速向商业应用的过渡。
引用
@article{arxiv.2010.03702,
title = {Quantitative predictions of photo-emission dynamics in metal halide perovskites via machine learning},
author = {John M. Howard and Qiong Wang and Erica Lee and Richa Lahoti and Tao Gong and Meghna Srivastava and Antonio Abate and Marina S. Leite},
journal= {arXiv preprint arXiv:2010.03702},
year = {2020}
}