Rapid Parameter Estimation from Photoluminescence Decays of Halide Perovskite Thin Films

Technische Zusammenfassung: Schnelle Parameterschätzung aus der Photolumineszenz-Zerfallskurve von Halbleiter-Perowskit-Dünnschichten

Problemstellung
Die Extraktion von Materialparametern aus transienten Photolumineszenz-Daten (tr-PL) in Halbleiter-Perowskit-Solarzellen ist eine Herausforderung, da die Beziehung zwischen experimentellen Observablen und Materialparametern (z. B. Defektdichten, Fallentiefen, Einfangkoeffizienten) durch Systeme nichtlinearer Differentialgleichungen und nicht durch invertierbare analytische Ausdrücke bestimmt wird. Traditionelle Fitting-Methoden, wie etwa die Markov-Chain-Monte-Carlo-Sampling-Methode (MCMC), erfordern das wiederholte Lösen dieser gekoppelten Ratengleichungen, was zu prohibitiven Rechenkosten (oft mehrere Stunden) führt und Schwierigkeiten bei der Exploration hochdimensionaler Parameterräume (> 5 Dimensionen) mit sich bringt. Zudem haben diese Methoden oft Schwierigkeiten mit der Parameter-Degenerierung, bei der mehrere unterschiedliche Parametersätze gleichermaßen gute Anpassungen liefern, was es erschwert, Unsicherheiten zu quantifizieren oder Korrelationen zwischen Parametern zu identifizieren. Vereinfachte Modelle, die physikalische Prozesse wie das Detrapping (thermische Emission) vernachlässigen, werden manchmal zur Reduzierung der Komplexität eingesetzt, können aber die hochgradig nicht-exponentielle Kinetik, die in den meisten Perowskit-Filmen beobachtet wird, nicht korrekt beschreiben.

Methodik
Die Autoren schlagen einen Workflow vor, der Bayes'sche Inferenz mit maschinellem Lernen kombiniert, um die Parameterschätzung zu beschleunigen und gleichzeitig die volle physikalische Treue zu bewahren. Die Kernkomponenten der Methodik sind:

1. Physikalisches Modell: Die Studie verwendet ein eindimensionales (0D) Ratengleichungsmodell, das die Shockley-Read-Hall-Rekombination (SRH) über zwei Fallenzustände (akzeptorähnlich) und radiative Rekombination beschreibt. Entscheidend ist, dass das Modell Detrapping-Terme enthält, was eine detaillierte Bilanz zwischen Einfang- und Emissionskoeffizienten sicherstellt. Das Modell berechnet die Konzentrationen von Elektronen ($n$), Löchern ($p$) und gefangenen Ladungsträgern ($n_{t1}, n_{t2}$) über die Zeit.
2. Datenrepräsentation: Experimentelle tr-PL-Daten werden in ein Diagramm der differenziellen Zerfallszeit ($\tau_{diff}$) gegen die Fermi-Niveau-Aufspaltung ($\Delta E_F$) transformiert. Diese Darstellung bewahrt die Information über die Ladungsträgerdichte und ermöglicht die sofortige Identifizierung der dominierenden Rekombinationspfade (tiefe vs. flache Fallen) basierend auf der Steigung des Zerfalls.
3. Surrogat-Modellierung: Um den Rechenengpass beim Lösen von Differentialgleichungen während der Optimierung zu umgehen, trainieren die Autoren tiefe neuronale Netze (NN) auf einem Datensatz aus über $10^4$ (für eine Falle) und $2,6 \times 10^5$ (für zwei Fallen) numerischen Simulationen. Diese NNs fungieren als Surrogat-Modelle, die Materialparameter mit hoher Treue ($R^2 > 0,998$) auf $\tau_{diff}$-Kurven abbilden und eine schnelle Evaluierung (ca. 100-fache Beschleunigung) ermöglichen.
4. Optimierung und Inferenz:
   • Initialisierung: Durch analytische Näherungen, die aus vereinfachten Ratengleichungen abgeleitet wurden, werden physik-informierte Startwerte für den Optimierer generiert, welche den Zerfall als flach- oder tieffallendominiert klassifizieren.
   • Optimierung: Ein Algorithmus der Covariance Matrix Adaptation Evolution Strategy (CMA-ES), gekoppelt mit dem NN-Surrogat-Modell, identifiziert schnell den am besten passenden Parametersatz.
   • Unsicherheitsquantifizierung: Anstatt eines vollständigen MCMC durchführen die Autoren eine lokale, geschnittene Gittersuche (sliced grid search) um das Optimum herum. Dies erzeugt „Corner-Plots“, die bedingte posteriore Wahrscheinlichkeitsdichten und paarweise Korrelationen zeigen. Die Likelihood-Funktion berücksichtigt Unsicherheiten aus Messrauschen, numerischer Optimierung und Modellfehlern (speziell die Vernachlässigung der Ladungsträgerdiffusion im 0D-Modell).

Wichtigste Ergebnisse

• Validierung mit synthetischen Daten: Angewandt auf synthetische Daten für eine einzelne flache Falle, konnte der Workflow die am besten passende Parametergruppe erfolgreich rekonstruieren. Die Analyse offenbarte jedoch eine signifikante praktische Nicht-Identifizierbarkeit: Obwohl der Optimierer eine Lösung fand, waren die posterioren Verteilungen für die Defektdichte ($N_t$) und die Elektronen-SRH-Lebensdauer ($\tau_{SRH,n}$) sehr breit und erstreckten sich über mehrere Größenordnungen. Dies deutet darauf hin, dass mehrere Parameterkombinationen dieselbe Zerfallskurve reproduzieren können, selbst wenn kein Rauschen vorhanden ist.
• Experimentelle Anwendung (85:15 Film): Die Methode wurde auf einen Triple-Kation-Perowskit-Film ($Cs_{0.05}FA_{0.73}MA_{0.22}PbI_{2.56}Br_{0.44}$) angewendet, der mit n-Octylammoniumiodid behandelt wurde. Der Zerfall wurde am besten durch zwei flache Fallen beschrieben. Der Workflow erreichte eine hochgetreue Anpassung ($\epsilon_{rms} \approx 3,0 \times 10^{-2}$) in wenigen Zehnsekunden.
• Parameterkorrelationen: Die geschnittenen Corner-Plots zeigten starke Korrelationen zwischen den Parametern. Beispielsweise sind die Defektdichte und die SRH-Loch-Lebensdauer gekoppelt, sodass eine breite Palette von Dichten durch Anpassung der Lebensdauern ausgeglichen werden kann, um dieselbe Zerfallsform beizubehalten.
• Vergleich Steady-State vs. Transient: Die Autoren zeigten, dass sowohl Szenarien mit hoher als auch mit niedriger Defektdichte gleichermaßen gut zu den transienten Daten passen konnten, jedoch unterschiedliche Steady-State-Photolumineszenz-Verhaltensweisen (ss-PL) vorhersagten. Insbesondere beeinflusst das Verhältnis von Fallendichte zu der effektiven Zustandsdichte ($N_t/n_1$) die Ladungsneutralitätsbedingung (Photodoping vs. kein Photodoping), was zu unterschiedlichen Beziehungen zwischen der Fermi-Niveau-Aufspaltung und der Anregungsintensität führt. Die Einbeziehung von ss-PL-Daten hilft dabei, den Parameterraum einzuengen und die durch transiente Daten allein bestehende Mehrdeutigkeit zu reduzieren.

Bedeutung und Ansprüche
Das Paper beansprucht, einen robusten Rahmen für die schnelle Bayes'sche Parameterschätzung in der Perowskit-Forschung bereitzustellen. Durch die Ersetzung der rechenintensiven MCMC-Sampling-Verfahren durch eine durch neuronale Netze beschleunigte genetische Optimierung und eine lokale Gittersuche reduziert die Autoren die Zeit für die Unsicherheitsquantifizierung von Stunden auf wenige Zehnsekunden. Diese Geschwindigkeit ermöglicht die Analyse von Hochdurchsatz-Datensätzen und erleichtert die Exploration komplexer, hochdimensionaler Parameterräume, ohne die physikalische Strenge (d. h. die Beibehaltung der Detrapping-Terme) zu opfern.

Die Autoren betonen, dass ihr Ansatz nicht bloß einen einzelnen „besten“ Parameterwert liefert, sondern auch das Vertrauen und die Grenzen der inferierten Parameter quantifiziert. Sie heben hervor, dass die Nicht-Identifizierbarkeit bestimmter Parameter (wie der Defektdichte) eine intrinsische Eigenschaft der die Systementwicklung steuernden Differentialgleichungen im experimentell beobachtbaren Bereich ist und kein Versagen des Fitting-Algorithmus. Folglich verschiebt sich der Fokus von der Suche nach einer eindeutigen Lösung hin zum Verständnis des Manifolds datenkompatibler Lösungen und deren Korrelationen. Die Einbeziehung von Steady-State-Daten hat sich als entscheidender Schritt erwiesen, um Degenerierungen aufzubrechen, die bei der isolierten Analyse von transienten Daten bestehen bleiben.