Machine Learning-Accelerated Band-Edge Engineering of Pnictogen Chalcohalide Solid Solutions for Solar Energy Technologies
Diese Studie nutzt maschinelles Lernen in Kombination mit First-Principles-Berechnungen, um die abstimmbaren Bandkantenpositionen von Pniktogen-Chalkohalogenid-Mischkristallen über ihren gesamten Zusammensetzungsbereich und ihre Oberflächenterminierungenen hinweg abzubilden, wobei spezifische Formulierungen für verschiedene Solarenergieanwendungen identifiziert und aufgezeigt wird, dass die Facettenwahl ein kritischer Designparameter ist, der der chemischen Substitution ebenbürtig ist.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Suche nach besserer Solarenergie und saubereren Brennstoffen führt Wissenschaftler oft auf die atomare Ebene, wo sie nach Materialien suchen, die Sonnenlicht einfangen und in Elektrizität oder chemische Energie umwandeln können. Im Zentrum dieser Suche stehen Halbleiter, eine spezielle Klasse von Festkörpern, die als Brücke zwischen Licht und elektrischem Strom fungieren. Damit ein Material für diese Aufgaben nützlich ist, müssen seine internen Energieniveaus genau richtig eingestellt sein: Sie müssen so positioniert sein, dass die durch Lichteinfall entstehenden elektrischen Ladungen herausfließen können, um Arbeit zu verrichten oder chemische Reaktionen voranzutreiben. Wenn diese Energieniveaus auch nur leicht abweichen, kann das Material zwar Licht absorbieren, aber die Energie nicht freisetzen, oder die Ladungen können sich einfach gegenseitig neutralisieren, bevor sie genutzt werden können. Die Suche nach dem perfekten Material gleicht dem Einstellen eines Radios auf einen bestimmten Sender; das Signal muss klar und stark sein, und die Frequenz muss exakt mit dem übereinstimmen, was das Gerät zu empfangen braucht.
In den letzten Jahren sind eine Gruppe von Materialien bekannt geworden, die als Pniktogen-Chalkogenide bezeichnet werden und als vielversprechende Kandidaten für diese Aufgaben gelten. Diese Verbindungen bestehen aus Elementen, die in der Erdkruste häufig vorkommen, ungiftig sind und bei relativ niedrigen Temperaturen verarbeitet werden können, was sie attraktiv für groß angelegte Energieanwendungen macht. Sie besitzen von Natur aus eine breite Palette an Energielücken – der Abstand zwischen ihren niedrigsten und höchsten Energiezuständen –, die durch die Änderung ihrer chemischen Zusammensetzung angepasst werden kann. Diese Materialien sind jedoch nicht bloß einfache Blöcke aus Atomen; sie besitzen ausgeprägte Oberflächen, vergleichbar mit den verschiedenen Seiten eines Kristalls. Das Verhalten von Elektronen auf einer Oberfläche kann sich signifikant von einer anderen unterscheiden, selbst wenn das Innere des Materials identisch ist. Dies stellt die Forscher vor ein gewaltiges Rätsel: Mit so vielen möglichen Kombinationen von Inhaltsstoffen und so vielen verschiedenen Arten, wie die Oberfläche angeordnet sein kann, ist es unmöglich, jede einzelne Möglichkeit im Labor zu testen. Die Anzahl der potenziellen Rezepte ist schlichtweg zu groß, um sie einzeln zu untersuchen.
Um dieses Problem zu lösen, kombinierte ein Forscherteam die Präzision von Computersimulationen mit der Geschwindigkeit des maschinellen Lernens. Sie konzentrierten sich auf eine spezifische Gruppe dieser Materialien, die man sich als feste Mischung vorstellen kann, bei der die Zutaten in beliebigem Verhältnis ausgetauscht und neu kombiniert werden können. Das Team nutzte leistungsstarke Computer, um die exakten Energieniveaus für eine große Anzahl dieser Mischungen auf zwei ihrer stabilsten Oberflächen zu berechnen. Da die Berechnung jeder einzelnen möglichen Kombination zu lange gedauert hätte, trainierten sie ein Computerprogramm, um Muster in den berechneten Daten zu erkennen. Dieses Modell der künstlichen Intelligenz lernte, die Energieniveaus für Tausende neuer, bisher ungetesteter Mischungen mit hoher Genauigkeit vorherzusagen, und kartierte so effektiv die gesamte Landschaft der Möglichkeiten, ohne dass alle physisch hergestellt werden mussten.
Die Ergebnisse dieser digitalen Erkundung offenbarten einen leistungsfähigen neuen Weg zur Steuerung dieser Materialien. Die Forscher fanden heraus, dass sie durch die einfache Änderung des Verhältnisses der Inhaltsstoffe die Energieniveaus um mehr als ein Elektronenvolt verschieben konnten – ein signifikanter Betrag, der eine präzise Abstimmung ermöglicht. Überraschenderweise entdeckten sie, dass die Oberfläche selbst als ein wesentlicher „Regler“ fungiert. Selbst bei exakt gleicher chemischer Zusammensetzung konnte sich das Energieniveau auf einer Oberfläche im Vergleich zur anderen um bis zu 0,6 Elektronenvolt verschieben. Dies bedeutet, dass die Wahl der exponierten Kristallseite ebenso wichtig für die Entwicklung eines Bauteils ist wie die Wahl der chemischen Rezeptur. Die beiden Oberflächen, obwohl sie hinsichtlich ihrer Stabilität nahezu identisch sind, verhalten sich in Bezug auf die Wechselwirkung mit Licht und Elektrizität sehr unterschiedlich.
Als die Forscher diese Erkenntnisse auf reale Anwendungen übertrugen, wurden die Unterschiede deutlich. Für die Aufgabe der Wasserspaltung zur Gewinnung von Wasserstoff als Brennstoff erwies sich die Oberflächenorientierung als entscheidend. Eine Oberflächenorientierung war in der Lage, die notwendigen chemischen Reaktionen zur Spaltung von Wasser in Wasserstoff und Sauerstoff voranzutreiben, sofern die richtige Mischung der Inhaltsstoffe verwendet wurde. Die andere Oberflächenorientierung war trotz der gleichen Materialzusammensetzung nicht in der Lage, die für diese Reaktion erforderlichen Energieniveaus zu erreichen, was sie für diesen spezifischen Zweck unbrauchbar machte. Die Studie identifizierte spezifische Kombinationen von Elementen, die nicht nur die Wasserstoffproduktion, sondern auch die Erzeugung von Ammoniak, Methan und Wasserstoffperoxid ermöglichen konnten, und erstellte so eine Art „Menü“ an Brennstoffoptionen basierend auf der Zusammensetzung des Materials und dessen Oberfläche.
Im Bereich der Solarzellen lieferten die Ergebnisse eine vorsichtige, aber nützliche Erkenntnis. Die Forscher untersuchten, wie gut diese Materialien mit den gängigen Kontaktschichten zusammenarbeiten, die in Solarzellen zur Sammlung von Elektrizität verwendet werden. Sie fanden heraus, dass die Materialien zwar gut mit bestimmten Schichten zur Sammlung positiver Ladungen funktionieren, sich jedoch nicht passend zu den Standardmaterialien zur Sammlung negativer Ladungen ausrichten. Dies deutet darauf hin, dass diese Materialien zwar hervorragend darin sind, Licht zu absorbieren und Ladungen zu erzeugen, der Bau einer vollständigen Solarzelle jedoch die Entwicklung oder das Finden einer neuen Art von Kontaktschicht erfordert, die speziell für die Sammlung der negativen Ladungen ausgelegt ist. Die Studie kommt zu dem Schluss, dass diese Materialien eine hochgradig flexible Plattform für Energietechnologien bieten, ihr Erfolg jedoch von der sorgfältigen Konstruktion sowohl der chemischen Mischung als auch der spezifischen, der Umgebung ausgesetzten Oberfläche abhängt. Durch den Einsatz von maschinellem Lernen zur Navigation durch diesen komplexen Raum haben die Forscher einen klaren Fahrplan aufgezeigt, wie diese Materialien für eine sauberere Energiezukunft genutzt werden können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.