Machine learning aided parameter analysis in Perovskite X-ray Detector

ملخص تقني: تحليل المعلمات بمساعدة تعلم الآلة في كواشف الأشعة السينية من البيروفسكايت

بيان المشكلة
تحمل كواشف الأشعة السينية من البيروفسكايت وعوداً كبيرة لتطبيقات التشخيص الطبي، والأمن، والاختبارات غير التدميرية، وذلك نظراً لمعاملات امتصاصها العالية وفجوات النطاق القابلة للضبط. ومع ذلك، فإن تحسين أداء الأجهزة — وتحديداً الحساسية، وحد الكشف، وتيار الظلام — يعوقه التداخل المعقد بين العديد من الخصائص الجوهرية للمادة. فالعوامل مثل معلمات الشبكة البلورية، وديناميكيات الحاملات، وكثافة المصائد، والتركيب الذري، تخلق نظاماً غير خطي حيث تظل العلاقات المحددة التي تحكم الأداء غير معروفة إلى حد كبير. وتكافح طرق التجربة والخطأ التقليدية للتنقل في هذا الفضاء عالي الأبعاد للمعلمات، لا سيما عند السعي لتحقيق حساسية عالية وكثافة تيار ظلام منخفضة دون 1 نانو أمبير سم⁻² في آن واحد.

المنهجية
يوظف هذا البحث إطار عمل لتعلم الآلة (ML) لفك شفرة العلاقات بين 15 خاصية جوهرية لمواد هاليد البيروفسكايت وأربعة مقاييس رئيسية لأداء الجهاز، وهي: فجوة النطاق ($E_g$)، وحاصل ضرب حركية العمر الزمني ($\mu\tau$)، والحساسية، وحد الكثافة.

1. بناء قاعدة البيانات: تم تجميع قاعدة بيانات شاملة من 136 ورقة بحثية موجودة وبيانات تجريبية جديدة واحدة، بإجمالي 137 عينة. تتضمن كل عينة 23 ميزة، بما في ذلك الأعداد الذرية ($Z_A, Z_B, Z_X$)، وثوابت الشبكة ($a, b, c$)، وزوايا الشبكة، وخصائص إلكترونية متنوعة. تم تقدير القيم المفقودة بناءً على بيانات أدبية مماثلة، مع تطبيق وزن مخفض لهذه العينات المقدرة أثناء التدريب للحد من الأخطاء المحتملة.
2. تدريب النموذج: تم تدريب خمس خوارزميات انحدار على مجموعة البيانات المعيرة للتنبؤ بمقاييس الأداء المستهدفة: الانحدار الخطي متعدد المتغيرات (MLR)، وانحدار الغابة العشوائية (RFR)، وتعزيز التدرج الفائق (XGBoost)، وانحدار متجه الدعم (SVR)، والمنظم الرمزي للبرمجة الجينية (GPSR).
3. تحليل الميزات: تم ترتيب أهمية الميزات باستخدام أهمية التبديل (permutation importance) لتحديد المعلمات الجوهرية الأكثر تأثيراً على المتغيرات المستهدفة.
4. التحقق التجريبي: للتحقق من تنبؤات تعلم الآلة في بيئة واقعية، تم تصنيع مادة (m-F-PEA)₂PbI₄، وهي بيروفسكايت قائمة على الرصاص منخفضة الأبعاد، عبر التبلور بالتبريد الحراري. تم تصنيع كاشف أشعة سينية أحادي البلورة وتوصيفه لمقارنة النتائج التجريبية مع تنبؤات النموذج.

النتائج الرئيسية

• أداء النموذج: أظهر نموذج انحدار الغابة العشوائية (RFR) الأداء الأكثر قوة، لا سيما في التنبؤ بفجوة النطاق ($E_g$)، محققاً معامل تحديد ($R^2$) للاختبار بلغ 0.80. ومع ذلك، أظهرت النماذج دقة تنبؤية أقل لـ $\mu\tau$ والحساسية وحد الكثافة (قيم $R^2$ للاختبار تراوحت بين 0.02 و0.17)، مما يشير إلى أن مجموعة الميزات الحالية قد لا تستوعب بالكامل المتنبئات الضرورية لهذه الأهداف المعقدة.
• أهمية الميزات:
  • فجوة النطاق ($E_g$): تم تحديد العدد الذري للمعدن في الموقع B ($Z_B$) كأكثر عامل حاسم يؤثر على فجوة النطاق. وهذا يتماشى مع المبادئ الفيزيائية حيث تحدد عناصر الموقع B (مثل الرصاص Pb، أو البزموت Bi، أو الجزيئات العضوية) مباشرة الهيكل الإلكتروني. وقد أكدت صيغة الانحدار الرمزي المستمدة من GPSR، وهي $E_g = \log(Z_B \times Z_X) + \sqrt{Z_B}$، هيمنة الأعداد الذرية للموقع B والموقع X، بينما أشارت أيضاً إلى أن الموقع A ليس له تأثير مباشر يذكر على بنية النطاق.
  • حاصل ضرب الحركية والعمر الزمني ($\mu\tau$): وُجد أن معلمة طول الشبكة $b$ لها التأثير الأكبر على $\mu\tau$. تؤثر التغيرات في معلمة الشبكة هذه على انحناء النطاق، والكتلة الفعالة، وكثافة العيوب، مما يؤثر بالتالي على نقل الحاملات.
• التحقق التجريبي: أظهر بلورة (m-F-PEA)₂PbI₄ أحادية البلورة المصنعة فجوة نطاق قدرها 2.29 إلكترون فولت، وهو ما يطابق بشكل وثيق تنبؤ RFR البالغ 2.23 إلكترون فولت. أظهر الجهاز حساسية قدرها 1033.7 ميكرو كولوم جراي⁻¹ سم⁻²، وحد كثافة قدره 1.41 ميكرو جراي ثانية⁻¹. وبينما كانت هناك انحرافات طفيفة في القيم المتوقعة للحساسية وحد الكثافة، إلا أن النتائج التجريبية أكدت قابلية التطبيق العام لمنهج تعلم الآلة. كما أظهر الجهاز استقراراً ممتازاً، مع انحراف منخفض في تيار الظلام وتكرارية عالية على مدار 1254 دورة.

الأهمية والادعاءات
يؤكد المؤلفون أن هذا العمل يوفر خطوة تأسيسية نحو التصميم القائم على البيانات لكواشف الأشعة السينية من البيروفسكايت. ومن خلال بناء قاعدة بيانات مفتوحة المصدر وتطبيق تعلم الآلة، نجحت الدراسة في تحديد أن العدد الذري للموقع B هو المحدد الرئيسي لفجوة النطاق، وأن معلمة الشبكة $b$ حاسمة لخصائص نقل الحاملات.

تخلص الورقة بتواضع إلى أنه بينما تظهر نماذج تعلم الآلة، وخاصة RFR، واعداً في تحديد الواصفات المادية الرئيسية، فإن الدقة التنبؤية للمقاييس المعقدة مثل الحساسية وحد الكثافة تتطلب مزيداً من الصقل. ويقترح المؤلفون أن العمل المستقبلي يجب أن يركز على توسيع مجموعة الميزات وتحسين جودة البيانات لتعزيز قدرة النماذج على التعميم. كما أوصوا صراحةً بالاستمرار في استخدام انحدار الغابة العشوائية لتحليل تطبيقات كواشف الأشعة السينية من البيروفسكايت نظراً لقدرته على التعامل مع العلاقات غير الخطية والقيم المتطرفة المتأصلة في البيانات التجريبية. لا تدعي الدراسة أنها حلت مشكلة تيار الظلام تماماً، لكنها تسلط الض الضوء على فائدة تعلم الآلة في تضييق نطاق المعلمات الحرجة لتحسين المادة.