Integrating Density Functional Theory, Machine Learning, and Device Simulation for Perovskite Photovoltaics: A Review

لطالما اعتمدت الطاقة الشمسية على السيليكون، وهي مادة موثوقة ولكنها مكلفة في التكرير وصعبة التعامل معها بسبب صلابتها. وفي السنوات الأخيرة، ظهرت فئة جديدة من المواد تُعرف باسم "البيروفسكايت" كبديل قوي. هذه المواد عبارة عن بلورات ذات بنية محددة وعالية التنوع يمكن ضبطها لامتصاص ضوء الشمس بكفاءة عالية. ويمكن تصنيعها على شكل أغشية رقيقة ومرنة، كما أن قدرتها على تحويل الضوء إلى كهرباء قد تطورت بسرعة كبيرة لدرجة أنها باتت تنافس أفضل خلايا السيليكون. ومع ذلك، فإن هذه الإمكانات تأتي مع عقبة كبيرة؛ فالمجال الكيميائي لهذه المواد شاسع للغاية، فمن خلال استبدال الذرات المختلفة في بنيتها، يمكن للعلماء ابتكار ملايين المتغيرات الممكنة. وإن اختبار كل منها في المختبر أمر مستحผล، لأنه سيستغرق عقوداً وسيكلف ثروة طائلة. علاوة على ذلك، فإن المادة التي قد تبدو مثالية في نموذج حاسوبي قد تفشل في لوح شمسي حقيقي بسبب عيوب خفية مثل الذرات غير المستقرة أو الأيونات التي تتحرك داخل البلورة عند تسخينها.

ولحل هذه المعضلة، يتجه الباحثون إلى طريقة عمل جديدة تجمع بين ثلاث أدوات متميزة: حسابات فيزياء الكم، والذكاء الاصطناعي، ومحاكاة الألواح الشمسية. والهدف هو إنشاء مسار (pipeline) يمكنه التنبؤ بالوصفات الكيميائية التي ستنجح قبل خلط قطرة واحدة من السائل في المختبر. لا يعتمد هذا النهج على التخمين، بل يستخدم قوانين الفيزياء لفهم المادة على المستوى الذري، ويستخدم التعلم الآلي للمسح عبر مليارات الاحتمالات، ثم يستخدم نمذجة الأجهزة لمعرفة كيفية أداء تلك المواد كمحركات لتوليد الطاقة. لقد كان التحدي دائماً يكمن في ربط هذه الخطوات الثلاث؛ فالحساب الذي يصف ذرة واحدة لا يمكن ببساطة لصقه في برنامج يحاكي لوحاً شمسياً كاملاً، إذ يجب ترجمة المعلومات بعناية، وإلا ستكون النتائج بلا معنى.

ترسم مراجعة حديثة أجراها سامير باندي (Sameer Pandey) خارطة طريق دقيقة لكيفية بناء هذا الجسر. لا تقدم الورقة خلية شمسية واحدة جديدة، بل تعمل كدليل نقدي حول كيفية ربط هذه الأساليب الحسابية لتعمل معاً دون انتهاك قوانين الفيزياء. ويجادل المؤلف بأنه بينما نمتلك أدوات قوية لحساب خصائص الذرات الفردية وأدوات قوية للتنبؤ بالاتجاهات في مجموعات البيانات الكبيرة، فإننا غالباً ما نتعامل مع نقل المعلومات بينهما كعملية "وصل وشغل" (plug-and-play) بسيطة، وهذا تبسيط خطير. وتوضح المراجعة أن الانتقال من العالم المجهري للذرات إلى العالم العياني للوح الشمسي يتطلب خطوات محددة قائمة على الأسس الفيزيائية؛ فلا يمكنك مجرد أخذ رقم من حساب كمي وتغذيته مباشرة في محاكي لوح شمسي، بل يجب تفسير الخصائص وتكييفها لتناسب السياق الأكبر لكيفية تدفق الكهرباء فعلياً عبر الجهاز.

تحدد الورقة سير عمل يبدأ بـ "نظرية الدالة الوظيفية للكثافة" (density functional theory)، وهي طريقة تستخدم ميكانيكا الكم لحساب مستويات الطاقة واستقرار بنية بلورية معينة. توفر هذه الطة البيانات الخام عالية الدقة، مثل مدى إحكام تمسك الإلكترونات أو سهولة تشكل العيوب في المادة. تُستخدم هذه الأرقام بعد ذلك لتدريب نماذج التعلم الآلي، وهذه النماذج تشبه الطلاب الذين يتعلمون قواعد الكيمياء من البيانات الكمية. وبمجرد تدريبها، يمكن لهذه النماذج التنبؤ بخصائص مواد جديدة لم تُختبر بعد في جزء من الثانية، حيث تمسح مساحات كيميائية شاسعة كان استكشافها سيستغرق سنوات باستخدام الحسابات الكمية وحدها. ومع ذلك، تؤكد المراجعة أن هذه التنبؤات هي مجرد الخطوة الأولى؛ إذ يجب ترجمة مخرجات التعلم الآلي إلى اللغة الخاصة بمحاكاة الأجهزة.

تعمل برامج محاكاة الأجهزة، مثل SCAPS-1D، كمختبر افتراضي للألواح الشمسية؛ فهي تأخذ خصائص المادة وتحاكي كيفية تفاعل الضوء والكهرباء داخل هيكل متعدد الطبقات. وهنا، تسلط الورقة الضوء على تمييز جوهري: قد يتنبأ نموذج التعلم الآلي بـ "فجوة النطاق" (bandgap) للمادة، وهي نطاق الطاقة الذي تمتصه، ويمكن استخدام هذه القيمة مباشرة في المحاكاة. لكن خصائص أخرى، مثل سرعة حركة الإلكترونات أو عدد العيوب الموجودة، لا تتوفر دائماً بشكل مباشر من تنبؤ التعلم الآلي، وغالباً ما تتطلب افتراضات فيزيائية إضافية أو بيانات تجريبية لتعريفها بشكل صحيح. وتحذر المراجعة من أنه إذا تم تخطي هذه الخطوات المتوسطة أو التعامل معها بشكل سيئ، فإن المحاكاة ستنتج نتائج تبدو مبهرة على الشاشة ولكن ليس لها علاقة بالواقع. ويشدد المؤلف على أن الربط بين المقياس الذري ومقياس الجهاز ليس تلقائياً، بل يتطلب ترجمة مدروسة قائمة على الفيزياء.

ولتوضيح هذه العملية، تفحص الورقة مثالاً محدداً، وهو "بيروفسكايت مزدوج" خالٍ من الرصاص يُسمى Cs2AgBiBr6. تكمن أهمية هذه المادة في تجنب سمية الرصاص الموجود في أكثر خلايا البيروفسكايت كفاءة. استخدم الباحثون الحسابات الكمية لتحديد الخصائص الأساسية للمادة، مثل فجوة الطاقة واستجابتها للمجالات الكهربائية. ثم تم رسم هذه القيم في محاكاة للجهاز لمعرفة كيفية أداء لوح شمسي مصنوع من هذه المادة. أظهرت المحاكاة أنه إذا كانت المادة نقية وخالية من العيوب، فإن الكفاءة النظرية يمكن أن تتجاوز 11 بالمائة. ومع ذلك، كشفت المحاكاة أيضاً أنه إذا احتوت المادة على عدد قليل حتى من العيوب، فإن الأداء ينخفض بشكل حاد. يؤكد هذا الاكتشاف أهمية سير العمل: فقد حدد النموذج الحاسوبي أن نجاح المادة يعتمد كلياً على إبقاء الشوائب منخفضة، وهو تفصيل ربما كان سيُغفل بدون هذا التحليل متعدد الخطوات.

كما تشير المراجعة إلى مواضع القصور الحالية في هذا النهج المتكامل. إحدى المشكلات الرئيسية هي أن البيانات المستخدمة لتدريب نماذج التعلم الآلي غالباً ما تأتي من مصادر مختلفة تستخدم طرقاً متباينة، مما قد يؤدي إلى عدم الاتساق؛ فإذا لم تكن الحسابات الكمية موحدة المعايير، فقد يتعلم نموذج التعلم الآلي أنماطاً خاطئة. مشكلة أخرى هي أن معظم عمليات المحاكاة تفترض أن المادة ثابتة ومثالية، في حين أن الألواح الشمسية الحقيقية تتدهور بمرور الوقت. فالأيونات داخل البلورة يمكن أن تتحرك عندما تشرق الشمس، مما يغير خصائص المادة. وتواجه النماذج الحالية صعوبة في التقاط هذا السلوك الديناميكي، مما يعني أنها قد تتنبأ بخلية مستقرة وعالية الكفاءة بينما قد تفشل في الواقع. ويجادل المؤلف بأن التقدم المستقبلي يعتمد على وضع معايير أفضل للبيانات، وتطوير نماذج تعلم آلي تفهم فيزياء الوقت والتغيير، وبناء عمليات محاكاة يمكنها مراعاة هذه الأجزك المتحركة.

في نهاية المطاف، تعمل الورقة كخارطة طريق لطريقة أكثر موثوقية لاكتشاف مواد شمسية جديدة. وهي تشير إلى أن مستقبل أبحاث البيروفسكايت يكمن في حلقة مغلقة حيث توفر الحسابات الكمية الحقائق، ويجد التعلم الآلي المرشحين، وتختبر محاكاة الأجهزة الواقع. يمكن تكرار هذه الدورة، بحيث تعمل كل خطوة على صقل الخطوة التالية، حتى يتم تحديد المواد الأكثر واعداً. لا تدعي المراجعة أن هذه العملية قد حلت مشكلة الطاقة الشمسية، لكنها تقدم مساراً واضحاً للمضي قدماً. ومن خلال التعامل مع الربط بين هذه الأدوات كتحدٍ هندسي معقد وليس مجرد نقل بسيط للبيانات، يمكن للعلماء تجنب المسارات الخاطئة والتركيز على المواد الجاهزة حقاً لتزويد العالم بالطاقة. ويؤكد العمل أنه بينما نمتلك الأدوات لتصميم الخلية الشمسية المثالية، يجب علينا أولاً أن نتعلم كيف نتحدث اللغة نفسها عبر المقاييس العلمية المختلفة.