Charting the thermodynamic stability of hybrid perovskite alloys with machine learning

Diese Studie wendet eine zweistufige Machine-Learning-Strategie an, die Graph-Neural-Network-Potentiale und direkte Energieprädiktoren kombiniert, um die thermodynamische Stabilität von (Cs/FA)Pb(Br/I)₃- und (Cs/FA)Sn(Br/I)₃-Perowskitlegierungen zu kartieren, wobei sich ergibt, dass Sn-basierte Systeme schmalere stabile Zusammensetzungsbereiche aufweisen als Pb-basierte und dass die maximale Stabilität bei einem hohen Jodgehalt vorliegt.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Meisterkoch, der versucht, den perfekten, stabilsten Kuchen zu backen. Sie haben vier Hauptzutaten: Cäsium (Cs), Formamidinium (FA), Blei (Pb) oder Zinn (Sn) sowie eine Mischung aus Brom (Br) und Jod (I). Durch das Mischen dieser Zutaten in unterschiedlichen Mengen können Sie einen „hybriden Perowskit-Kuchen" erschaffen, der Sonnenlicht in Elektrizität umwandelt.

Das Problem ist, dass es Milliarden möglicher Rezepte gibt. Wenn Sie versuchen würden, jedes einzelne in einer echten Küche zu backen und zu testen (oder mit echten Computern unter Verwendung herkömmlicher Methoden), würde es länger dauern als das Alter des Universums. Manche Rezepte schmecken großartig, zerfallen aber schnell (instabil), während andere steinhart sind, aber nicht gut schmecken (geringe Effizienz).

Dieser Artikel handelt von einem Team von Wissenschaftlern, das einen superintelligenten KI-Küchenassistenten entwickelt hat, um herauszufinden, welche Rezepte die besten sind, ohne tatsächlich Milliarden von Kuchen zu backen.

So haben sie es getan, unter Verwendung einfacher Analogien:

1. Die Zwei-Stufen-KI-Strategie

Die Wissenschaftler erkannten, dass das Testen jedes Rezepts zu langsam war, und bauten daher ein zweistufiges System:

• Stufe 1: Der „intelligente Tester" (MACE-Modell)
  Stellen Sie sich dies als einen hochqualifizierten Koch vor, der einen rohen, ungebackenen Teig betrachten und exakt vorhersagen kann, wie er sich nach dem Backen setzen und schmecken wird. Diese KI wurde an einer kleinen Anzahl echter, teurer Computerexperimente (sogenannte DFT) trainiert. Sie lernte die Gesetze der Physik so gut, dass sie eine Struktur fast augenblicklich „relaxieren" (zur Ruhe bringen) kann und dabei etwa 1.000.000-mal so viel Zeit spart wie ein Standardcomputer.
• Stufe 2: Die „Glaskugel" (Direktes Relaxationsmodell)
  Selbst der „intelligente Tester" ist zu langsam, wenn Sie Milliarden von Rezepten überprüfen müssen. Daher bauten die Wissenschaftler eine zweite, noch schnellere KI. Diese betrachtet den rohen, ungebackenen Teig und sagt exakt voraus, was der „intelligente Tester" nach dem Backen gesagt hätte. Sie überspringt den Backvorgang vollständig. Dieser zweite Schritt sparte weitere 1.000-fache Geschwindigkeit.

Das Ergebnis: Zusammen ermöglichten diese beiden KIs dem Team, 2 Milliarden verschiedene Rezepte in einem Bruchteil der Zeit zu testen, die zuvor benötigt worden wäre.

2. Die Karte der Stabilität

Mithilfe dieses superschnellen Systems erstellten sie eine „Stabilitätskarte" für zwei Arten von Kuchen:

1. Blei-basierte Kuchen: (Die aktuellen Champions der Effizienz).
2. Zinn-basierte Kuchen: (Die umweltfreundliche, nicht-toxische Alternative).

Sie betrachteten die Karte, um zu sehen, welche Rezepte „stabil" sind (nicht zerfallen) und welche „instabil" sind (werden zerbröseln oder sich trennen).

3. Die großen Entdeckungen

• Das Duell Blei gegen Zinn: Die Karte enthüllte, dass bleibasierte Kuchen eine breite, sichere Zone besitzen, in der Sie Zutaten mischen können und dennoch ein stabiles Ergebnis erhalten. Zinnbasierte Kuchen sind jedoch viel zerbrechlicher. Ihre „sichere Zone" ist sehr schmal. Wenn Sie versuchen, sie zu stark zu mischen, neigen sie dazu, auseinanderzufallen. Dies erklärt, warum die Herstellung nicht-toxischer Solarzellen so schwierig ist; Sie haben nur sehr wenige Möglichkeiten, das Rezept anzupassen, ohne es zu zerstören.
• Die „Mitte" ist instabil: Man könnte denken, dass alles in der Mitte zu mischen (50 % davon, 50 % davon) am stabilsten wäre, wie ein perfektes Gleichgewicht. Die Karte zeigte das Gegenteil. Die stabilsten Stellen liegen meist an den Rändern (hoher Jodgehalt), während die Mitte der Karte eine „Gefahrenzone" ist, in der sich das Material in verschiedene Teile trennen möchte.
• Hitze hilft (ein wenig): Sie überprüften die Karte bei Raumtemperatur und bei hohen Backtemperaturen (150 °C). Während Hitze die stabilen Zonen zwar leicht vergrößerte, blieb das grundlegende Problem bei zinnbasierten Kuchen (ihre schmale sichere Zone) bestehen.

4. Warum dies wichtig ist

Der Artikel behauptet nicht, heute eine neue Solarzelle erfunden zu haben. Stattdessen liefert er eine Landkarte.

• Für Wissenschaftler, die Solarzellen herstellen wollen, heißt es: „Verschwenden Sie keine Zeit damit, zinnbasierte Kuchen in der Mitte des Rezeptbuchs zu mischen; sie funktionieren nicht. Bleiben Sie an den Rändern, wo die Karte sagt, dass es sicher ist."
• Es bestätigt, dass wir zwar Zinn verwenden möchten, um giftiges Blei zu vermeiden, aber die Gesetze der Physik zinnbasierte Legierungen viel schwieriger zu stabilisieren machen als bleibasierte.

Kurz gesagt: Die Wissenschaftler bauten eine superschnelle KI, die die „sicheren Zonen" für Solarzellen-Zutaten kartografierte. Sie fanden heraus, dass zwar bleibasierte Mischungen flexibel und stabil sind, aber die umweltfreundlichen zinnbasierten Mischungen viel wählerischer sind und schwerer zusammenzuhalten sind, was zukünftige Forscher anleitet, wo sie nach dem nächsten Durchbruch suchen sollten.

Technische Zusammenfassung

Technische Zusammenfassung: Kartierung der thermodynamischen Stabilität von hybriden Perowskit-Legierungen mit maschinellem Lernen

Problemstellung
Hybride Perowskit-Solarzellen (PSCs) haben Wirkungsgrade erreicht, die mit denen von Silizium konkurrieren, doch ihre Kommerzialisierung wird durch Probleme der langfristigen betrieblichen Stabilität und Bedenken hinsichtlich der Bleitoxizität behindert. Die Zusammensetzungsoptimierung mittels quaternärer Legierungen, insbesondere $(Cs/FA)Pb(Br/I)_3$ und der bleifreien $(Cs/FA)Sn(Br/I)_3$ (wobei FA für Formamidinium steht), bietet einen Weg zur Einstellung von Eigenschaften und zur Verbesserung der Stabilität. Der enorme konfigurationsbedingte Raum dieser multikomponentigen Systeme, kombiniert mit der Komplexität orientierbarer organischer Kationen, hat jedoch eine genaue thermodynamische Modellierung behindert. Die traditionelle Dichtefunktionaltheorie (DFT) ist für das Abtasten der notwendigen Konfigurationen zur Kartierung von Freie-Energie-Landschaften rechnerisch prohibitiv, während bestehende Näherungen wie Cluster-Expansionen die Orientierungen molekularer Kationen nicht erfassen können und Spezielle Quasizufallsstrukturen (SQS) aufgrund einer begrenzten Konfigurationsabtastung Verzerrungen einführen.

Methodik
Die Autoren stellen einen durch maschinelles Lernen (ML) beschleunigten atomistischen Modellierungs-Workflow vor, der darauf ausgelegt ist, Freie-Energie-Landschaften über den gesamten Zusammensetzungsbereich dieser quaternären Legierungen zu berechnen. Der Ansatz verfolgt eine zweistufige ML-Strategie, um rechnerische Engpässe zu überwinden:

1. MACE-Interatomare Potentiale: Die Autoren trainierten MACE-Potentiale (Higher-order Equivariant Message Passing Neural Networks) auf DFT-Daten. Diese Potentiale wurden für effiziente Strukturrelaxierungen eingesetzt und beschleunigten die Berechnungen im Vergleich zu DFT um etwa sechs Größenordnungen. Die Trainingsdaten umfassten $2 \times 2 \times 2$ Supercells aus vier verschiedenen Phasen ($Pm\bar{3}m$, $P4/mbm$, $I4/mcm$ und $Pnma$) mit randomisierten Kationen/Anionen-Verteilungen und FA-Molekülorientierungen.
2. Direkte Relaxationsmodelle (KRR): Um die für Freie-Energie-Berechnungen erforderliche Abtastung weiter zu beschleunigen, wurden sekundäre Kernel-Ridge-Regression-Modelle (KRR) auf den MACE-relaxierten Daten trainiert. Diese Modelle sagen relaxierte Energien direkt aus unrelaxierten atomaren Strukturen voraus und umgehen damit die Notwendigkeit einer expliziten Relaxation während der Abtastung. Dieser Schritt lieferte eine zusätzliche Beschleunigung um drei Größenordnungen.
3. Aktives Lernen: Um die Genauigkeit sicherzustellen, insbesondere im für die Stabilitätsanalyse kritischen Niedrigenergiebereich, wurde ein Schema des aktiven Lernens eingesetzt. Dies umfasste iterative Energie-Minimierungs-Monte-Carlo-Simulationen (MC), um Vorhersagen für Niedrigenergie-Legierungskonfigurationen zu identifizieren und zu korrigieren, wodurch die mittleren absoluten Fehler (MAE) signifikant reduziert wurden.
4. Berechnung der Freien Energie: Der Wang-Landau-Algorithmus wurde zur Abtastung der Zustandsdichte und zur Berechnung der Helmholtz-Freien Mischungsenthalpien bei 300 K (und 150 °C für Synthesebedingungen) verwendet. Dies ermöglichte die Konstruktion von konvexen Hüllen und eine Krümmungsanalyse zur Bewertung der thermodynamischen Stabilität gegenüber Phasentrennung.

Hauptbeiträge

• Entwicklung eines Workflows: Die Arbeit etabliert einen rigorosen mehrstufigen ML-Workflow, der in der Lage ist, die Komplexität quaternärer hybrider Perowskite zu bewältigen, einschließlich der Behandlung orientierbarer organischer Kationen, die bei früheren Methoden nur schwer effektiv zu modellieren waren.
• Beschleunigung: Der kombinierte Ansatz erreicht eine Gesamtbeschleunigung von etwa neun Größenordnungen im Vergleich zur traditionellen DFT und ermöglicht die Auswertung von über zwei Milliarden Energiekonfigurationen, die für eine umfassende Freie-Energie-Kartierung notwendig sind.
• Vergleichende Analyse: Die Studie liefert den ersten umfassenden Vergleich der thermodynamischen Stabilität zwischen bleibasierten $(Cs/FA)Pb(Br/I)_3$ und bleifreien $(Cs/FA)Sn(Br/I)_3$ quaternären Legierungen über mehrere Phasen hinweg.

Ergebnisse

• Modellgenauigkeit: Die MACE-Potentiale erreichten MAE-Werte von 2,81 meV/f.u. bzw. 3,07 meV/f.u. für Pb- und Sn-basierte Systeme im Vergleich zu Single-Point-DFT-Berechnungen an relaxierten Strukturen. Die finalen direkten Relaxationsmodelle (nach aktivem Lernen) erreichten MAE-Werte von etwa 3,2 meV/f.u. an Konfigurationen mit minimaler Energie.
• Stabilitätslandschaften:
  • Pb-basiertes System: Zeigt breitere stabile Zusammensetzungsbereiche. In der kubischen Phase ($Pm\bar{3}m$) existiert ein Niedrigenergiebereich im Zentrum des Zusammensetzungsrums. Stabile Bereiche auf der konvexen Hülle erstrecken sich über verschiedene A-Seiten-Substitutionen und bis zu 60 % Bromkonzentration, abhängig vom Cs/FA-Verhältnis.
  • Sn-basiertes System: Zeigt im Vergleich zu seinem Pb-Pendant schmalere stabile Zusammensetzungsbereiche. Die im kubischen Pb-basierten Phasen beobachtete zentrale Niedrigenergie-Mulde fehlt; die niedrigsten Energien finden sich am Cs-freien Rand. Die konvexe Hülle weist weniger Optionen für die Zusammensetzungsoptimierung aus, wobei die Stabilität weitgehend auf einen hohen Jodgehalt beschränkt ist.
  • Temperatureffekte: Die Stabilitätsbereiche erweitern sich bei erhöhten Temperaturen (150 °C), was mit einer entropischen Stabilisierung konsistent ist, doch die fundamentale Diskrepanz zwischen Pb- und Sn-Systemen bleibt bestehen.
• Entropie und Stabilität: Die Analyse zeigt, dass eine entropiegetriebene Stabilisierung begrenzt ist. Die maximale Stabilität tritt bei hohem Jodgehalt auf, und es wird keine signifikante Stabilisierung in der Nähe des Zentrums des Zusammensetzungsrums beobachtet, wo die Mischungsentropie am höchsten ist. Dies deutet darauf hin, dass alleiniges Mischen die zentralen quaternären Zusammensetzungen nicht gegen Phasentrennung stabilisieren kann.
• Experimentelle Validierung: Die Ergebnisse für das Pb-basierte System zeigen eine qualitative Übereinstimmung mit Hochdurchsatz-Experimentaldaten von Wang et al., insbesondere hinsichtlich der Stabilität von Bereichen mit niedrigem Brom- und niedrigem Cs-Gehalt in der kubischen Phase. Abweichungen in der orthorhombischen Phase werden auf Nichtgleichgewichts-Synthesebedingungen und potenzielle Herausforderungen bei der Phasenidentifikation zwischen ähnlichen Kristallstrukturen zurückgeführt.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass ihre Ergebnisse die Entwicklung stabiler Perowskite leiten, indem sie die fundamentalen thermodynamischen Grenzen dieser Legierungen kartieren. Die Autoren schlussfolgern, dass die reduzierte thermodynamische Stabilität von Zinn-basierten hybriden Perowskiten auf fundamentale Unterschiede in ihren Freie-Energie-Landschaften im Vergleich zu Blei-basierten Gegenstücken zurückzuführen ist, insbesondere das Fehlen zentraler Niedrigenergiebereiche und schmalere stabile Zusammensetzungsbereiche. Folglich schlägt die Studie vor, dass zukünftige experimentelle Bemühungen zur Optimierung von $(Cs/FA)Sn(Br/I)_3$ sich auf Zusammensetzungen konzentrieren sollten, die bereits als günstig für das Pb-basierte System identifiziert wurden, anstatt den zentralen Zusammensetzungsraum zu erkunden, in dem die Stabilität thermodynamisch nicht begünstigt ist. Die Arbeit unterstreicht, dass maschinelles Lernen zwar die Entdeckung beschleunigen kann, die intrinsische thermodynamische Instabilität bestimmter quaternärer Regionen jedoch nicht allein durch Mischungsentropie überwunden werden kann.