Machine learning aided parameter analysis in Perovskite X-ray Detector

Resumen Técnico: Análisis de Parámetros Asistido por Aprendizaje Automático en Detectores de Rayos X de Perovskita

Planteamiento del Problema
Los detectores de rayos X de perovskita poseen una promesa significativa para aplicaciones en diagnóstico médico, seguridad y ensayos no destructivos debido a sus altos coeficientes de absorción y brechas de banda ajustables. Sin embargo, la optimización del rendimiento del dispositivo —específicamente la sensibilidad, el límite de detección y la corriente oscura— se ve obstaculizada por la compleja interacción de numerosas propiedades intrínsecas del material. Factores como los parámetros de la red cristalina, la dinámica de portadores, la densidad de trampas y la composición atómica crean un sistema no lineal donde las relaciones específicas que rigen el rendimiento permanecen en gran medida desconocidas. Los enfoques tradicionales de ensayo y error tienen dificultades para navegar este espacio de parámetros de alta dimensión, particularmente cuando se busca lograr simultáneamente una alta sensibilidad y bajas densidades de corriente oscura por debajo de 1 nA cm⁻².

Metodología
Este estudio emplea un marco de aprendizaje automático (ML) para decodificar las relaciones entre 15 propiedades intrínsecas de materiales de perovskita de haluro y cuatro métricas clave de rendimiento del dispositivo: brecha de banda ($E_g$), producto movilidad-tiempo de vida de portadores ($\mu\tau$), sensibilidad y límite de detección.

1. Construcción de la Base de Datos: Se compiló una base de datos exhaustiva a partir de 136 artículos de investigación existentes y un nuevo conjunto de datos experimentales, sumando un total de 137 muestras. Cada muestra incluye 23 características, incluyendo números atómicos ($Z_A, Z_B, Z_X$), constantes de red ($a, b, c$), ángulos de red y diversas propiedades electrónicas. Los valores faltantes se estimaron basándose en datos de literatura comparable, aplicando un peso disminuido a estas muestras estimadas durante el entrenamiento para mitigar posibles errores.
2. Entrenamiento del Modelo: Cinco algoritmos de regresión fueron entrenados en el conjunto de datos normalizado para predecir las métricas de rendimiento objetivo: Regresión Lineal Multivariable (MLR), Regresión de Bosque Aleatorio (RFR), eXtreme Gradient Boosting (XGBoost), Regresión de Vectores de Soporte (SVR) y Regresor Simbólico de Programación Genética (GPSR).
3. Análisis de Características: La importancia de las características se clasificó utilizando la importancia por permutación para identificar qué parámetros intrínsecos influyen de manera más significativa en las variables objetivo.
4. Validación Experimental: Para verificar las predicciones de ML en un entorno del mundo real, se sintetizó una nueva perovskita de base plomo de baja dimensionalidad, (m-F-PEA)₂PbI₄, mediante cristalización por enfriamiento de temperatura. Se fabricó y caracterizó un detector de rayos X de monocristal para comparar los resultados experimentales contra las predicaciones del modelo.

Resultados Clave

• Desempeño del Modelo: El modelo de Regresión de Bosque Aleatorio (RFR) demostró el desempeño más robusto, particularmente para predecir la brecha de banda ($E_g$), alcanzando un $R^2$ de prueba de 0.80. Sin embargo, los modelos mostraron una menor precisión predictiva para $\mu\tau$, sensibilidad y límite de detección (valores de $R^2$ de prueba entre 0.02 y 0.17), lo que sugiere que el conjunto de características actual podría no capturar plenamente los predictores necesarios para estos objetivos complejos.
• Importancia de las Características:
  • Brecha de Banda ($E_g$): El número atómico del metal del sitio B ($Z_B$) fue identificado como el factor más crítico que influye en la brecha de banda. Esto se alinea con los principios físicos donde los elementos del sitio B (por ejemplo, Pb, Bi o moléculas orgánicas) determinan directamente la estructura electrónica. Una fórmula de regresión simbólica derivada de GPSR, $E_g = \log(Z_B \times Z_X) + \sqrt{Z_B}$, confirmó además la dominancia de los números atómicos de los sitios B y X, mientras indicó que el sitio A tiene un impacto directo insignificante en la estructura de banda.
  • Producto Movilidad-Tiempo de Vida ($\mu\tau$): Se encontró que el parámetro de longitud de red $b$ tiene el mayor impacto en $\mu\tau$. Las variaciones en este parámetro de red influyen en la curvatura de la banda, la masa efectiva y la densidad de defectos, afectando así el transporte de portadores.
• Verificación Experimental: El monocristal sintetizado de (m-F-PEA)₂PbI₄ exhibió una brecha de banda de 2.29 eV, coincidiendo estrechamente con la predicción de RFR de 2.23 eV. El dispositivo demostró una sensibilidad de 1033.7 µC Gy⁻¹ cm⁻² y un límite de detección de 1.41 µGy s⁻¹. Aunque hubo ligeras desviaciones en los valores predichos para la sensibilidad y el límite de detección, los resultados experimentales validaron la aplicabilidad general del enfoque de ML. El dispositivo también exhibió una excelente estabilidad, con una baja deriva de corriente oscura y alta repetibilidad a lo largo de 1254 ciclos.

Significancia y Reivindicaciones
Los autores afirman que este trabajo proporciona un paso fundamental hacia el diseño de detectores de rayos X de perovskita basado en datos. Al construir una base de datos de código abierto y aplicar ML, el estudio identificó con éxito que el número atómico del sitio B es el determinante primario de la brecha de banda y que el parámetro de red $b$ es crucial para las propiedades de transporte de portadores.

El artículo concluye modestamente que, si bien los modelos de ML, particularmente RFR, muestran potencial para identificar descriptores clave de materiales, la precisión predictiva para métricas de rendimiento complejas como la sensibilidad y el límite de detección requiere mayor refinamiento. Los autores sugieren que el trabajo futuro debería centrarse en expandir el conjunto de características y mejorar la calidad de los datos para mejorar la generalizabilidad del modelo. Recomiendan explícitamente la utilización continua de la Regresión de Bosque Aleatorio para analizar aplicaciones de detectores de rayos X de perovskita debido a su capacidad para manejar relaciones no lineales y valores atípicos inherentes a los datos experimentales. El estudio no pretende haber resuelto enteramente el desafío de la corriente oscura, sino que destaca la utilidad del ML para reducir los parámetros críticos para la optimización de materiales.