Charting the thermodynamic stability of hybrid perovskite alloys with machine learning

Este estudio emplea una estrategia de aprendizaje automático a dos niveles que combina potenciales de redes neuronales de grafos y predictores de energía directa para mapear la estabilidad termodinámica de las aleaciones de perovskita (Cs/FA)Pb(Br/I)₃ y (Cs/FA)Sn(Br/I)₃, revelando que los sistemas basados en Sn tienen regiones de composición estable más estrechas que los basados en Pb y que la máxima estabilidad ocurre con un alto contenido de yodo.

Lo esencial

Imagina que eres un chef maestro intentando crear el pastel perfecto y más estable. Tienes cuatro ingredientes principales: Cesio (Cs), Formamidinio (FA), Plomo (Pb) o Estaño (Sn), y una mezcla de Bromo (Br) y Yodo (I). Al mezclar estos en diferentes cantidades, puedes crear un pastel de "perovskita híbrida" que convierte la luz solar en electricidad.

El problema es que hay miles de millones de recetas posibles. Si intentaras hornear y probar cada una en una cocina real (o con computadoras reales usando métodos estándar), tomaría más tiempo que la edad del universo. Algunas recetas saben genial pero se desmoronan rápidamente (inestables), mientras que otras son sólidas como la roca pero no saben bien (baja eficiencia).

Este artículo trata sobre un equipo de científicos que construyó un asistente de cocina de IA súper inteligente para descubrir qué recetas son las mejores sin hornear realmente miles de millones de pasteles.

Así es como lo hicieron, usando analogías simples:

1. La Estrategia de IA de Dos Pasos

Los científicos se dieron cuenta de que probar cada receta era demasiado lento, así que construyeron un sistema de dos niveles:

• Nivel 1: El "Degustador Inteligente" (Modelo MACE)
  Piensa en esto como un chef altamente capacitado que puede mirar una masa cruda y sin hornear y predecir exactamente cómo se asentará y sabrá una vez horneada. Esta IA fue entrenada con un pequeño número de experimentos reales y costosos por computadora (llamados DFT). Aprendió las reglas de la física tan bien que puede "relajar" (asentar) una estructura casi instantáneamente, ahorrando aproximadamente 1.000.000 de veces el tiempo que tomaría a una computadora estándar.
• Nivel 2: La "Bola de Cristal" (Modelo de Relajación Directa)
  Incluso el "Degustador Inteligente" es demasiado lento si necesitas revisar miles de millones de recetas. Así que los científicos construyeron una segunda IA, aún más rápida. Esta mira la masa cruda y sin hornear y predice exactamente lo que el "Degustador Inteligente" habría dicho después de hornearla. Omite por completo el paso de hornear. Este segundo paso ahorró otros 1.000 veces en velocidad.

El Resultado: Juntas, estas dos IAs permitieron al equipo probar el sabor de 2.000 millones de recetas diferentes en una fracción del tiempo que habría tomado antes.

2. El Mapa de Estabilidad

Usando este sistema súper rápido, crearon un "mapa de estabilidad" para dos tipos de pasteles:

1. Pasteles a base de Plomo: (Los actuales campeones de eficiencia).
2. Pasteles a base de Estaño: (La alternativa ecológica y no tóxica).

Examinaron el mapa para ver qué recetas eran "estables" (no se desmoronarán) y cuáles eran "inestables" (se desmoronarán o separarán).

3. Los Grandes Descubrimientos

• El Enfrentamiento Plomo vs. Estaño: El mapa reveló que los pasteles a base de Plomo tienen una zona amplia y segura donde puedes mezclar ingredientes y aún obtener un resultado estable. Sin embargo, los pasteles a base de Estaño son mucho más frágiles. Su "zona segura" es muy estrecha. Si intentas mezclarlos demasiado, tienden a desmoronarse. Esto explica por qué hacer celdas solares no tóxicas es tan difícil; tienes muy pocas opciones para ajustar la receta sin romperla.
• El "Medio" es Inestable: Podrías pensar que mezclar todo en el medio (50% de esto, 50% de aquello) sería lo más estable, como un equilibrio perfecto. El mapa mostró lo contrario. Los puntos más estables suelen estar en los bordes (alto contenido de Yodo), mientras que el centro del mapa es una "zona de peligro" donde el material quiere separarse en diferentes partes.
• El Calor Ayuda (Un Poco): Verificaron el mapa a temperatura ambiente y a altas temperaturas de horneado (150°C). Aunque el calor hizo que las zonas estables fueran ligeramente más grandes, el problema fundamental con los pasteles a base de Estaño (su zona segura estrecha) permaneció.

4. Por Qué Esto Importa

El artículo no afirma haber inventado una nueva celda solar hoy. En cambio, proporciona un mapa de ruta.

• Para los científicos que intentan hacer celdas solares, dice: "No pierdas tiempo intentando mezclar pasteles a base de Estaño en el medio del libro de recetas; no funcionarán. Quédate en los bordes donde el mapa dice que es seguro".
• Confirma que, aunque queremos usar Estaño para evitar el Plomo tóxico, las leyes de la física hacen que las aleaciones a base de Estaño sean mucho más difíciles de estabilizar que las a base de Plomo.

En resumen: Los científicos construyeron una IA súper rápida que mapeó las "zonas seguras" para los ingredientes de las celdas solares. Descubrieron que, mientras que las mezclas a base de Plomo son flexibles y estables, las mezclas ecológicas a base de Estaño son mucho más exigentes y difíciles de mantener unidas, guiando a los futuros investigadores sobre dónde buscar el próximo avance.

Resumen técnico

Resumen Técnico: Mapeo de la estabilidad termodinámica de aleaciones de perovskitas híbridas con aprendizaje automático

Enunciado del Problema
Las celdas solares de perovskita híbrida (PSC) han alcanzado eficiencias de conversión de potencia que rivalizan con las del silicio, sin embargo, su comercialización se ve obstaculizada por problemas de estabilidad operativa a largo plazo y preocupaciones sobre la toxicidad del plomo. La ingeniería composicional mediante aleaciones cuaternarias, específicamente $(Cs/FA)Pb(Br/I)_3$ y la libre de plomo $(Cs/FA)Sn(Br/I)_3$ (donde FA es formamidinio), ofrece una vía para ajustar propiedades y mejorar la estabilidad. No obstante, el vasto espacio configuracional de estos sistemas multicomponente, combinado con la complejidad de los cationes orgánicos orientables, ha impedido un modelado termodinámico preciso. La Teoría del Funcional de la Densidad (DFT) tradicional es computacionalmente prohibitiva para muestrear las configuraciones necesarias para mapear los paisajes de energía libre, mientras que las aproximaciones existentes como las expansiones de conglomerados no logran capturar las orientaciones de los cationes moleculares, y las Estructuras Cuasirandom Especiales (SQS) introducen sesgos debido al muestreo limitado de configuraciones.

Metodología
Los autores presentan un flujo de trabajo de modelado atómico acelerado por aprendizaje automático (ML) diseñado para calcular paisajes de energía libre a través de todo el espacio composicional de estas aleaciones cuaternarias. El enfoque emplea una estrategia de ML de dos niveles para superar los cuellos de botella computacionales:

1. Potenciales Interatómicos MACE: Los autores entrenaron potenciales MACE (Redes Neuronales de Paso de Mensajes Equivariantes de Orden Superior) sobre datos DFT. Estos potenciales se utilizaron para realizar relajaciones estructurales eficientes, acelerando los cálculos en aproximadamente seis órdenes de magnitud en comparación con la DFT. Los datos de entrenamiento incluyeron superceldas $2 \times 2 \times 2$ de cuatro fases distintas ($Pm\bar{3}m$, $P4/mbm$, $I4/mcm$y$Pnma$) con distribuciones aleatorizadas de cationes/aniones y orientaciones moleculares de FA.
2. Modelos de Relajación Directa (KRR): Para acelerar aún más el muestreo requerido para los cálculos de energía libre, se entrenaron modelos secundarios de Regresión de Cresta Kernel (KRR) sobre los datos relajados por MACE. Estos modelos predicen energías relajadas directamente a partir de estructuras atómicas no relajadas, evitando la necesidad de relajación explícita durante el muestreo. Este paso proporcionó una aceleración adicional de tres órdenes de magnitud.
3. Aprendizaje Activo: Para garantizar la precisión, particularmente en el régimen de baja energía crítico para el análisis de estabilidad, se empleó un esquema de aprendizaje activo. Esto implicó simulaciones iterativas de minimización de energía mediante Monte Carlo (MC) para identificar y corregir predicciones de configuraciones de aleaciones de baja energía, reduciendo significativamente los errores absolutos medios (MAE).
4. Cálculo de Energía Libre: Se utilizó el algoritmo Wang-Landau para muestrear la densidad de estados y calcular las energías libres de Helmholtz de mezcla a 300 K (y 150 °C para condiciones de síntesis). Esto permitió la construcción de envolventes convexas y análisis de curvatura para evaluar la estabilidad termodinámica frente a la separación de fases.

Contribuciones Clave

• Desarrollo del Flujo de Trabajo: El artículo establece un flujo de trabajo riguroso de múltiples etapas con ML capaz de manejar la complejidad de las perovskitas híbridas cuaternarias, incluido el tratamiento de cationes orgánicos orientables, que los métodos anteriores lucharon por modelar efectivamente.
• Aceleración: El enfoque combinado logra una aceleración total de aproximadamente nueve órdenes de magnitud en comparación con la DFT tradicional, permitiendo la evaluación de más de dos mil millones de configuraciones de energía necesarias para un mapeo exhaustivo de la energía libre.
• Análisis Comparativo: El estudio proporciona la primera comparación integral de estabilidad termodinámica entre aleaciones cuaternarias basadas en plomo $(Cs/FA)Pb(Br/I)_3$ y libres de plomo $(Cs/FA)Sn(Br/I)_3$ a través de múltiples fases.

Resultados

• Precisión del Modelo: Los potenciales MACE lograron MAE de 2.81 meV/f.u. y 3.07 meV/f.u. para los sistemas basados en Pb y Sn, respectivamente, en comparación con cálculos DFT de punto único sobre estructuras relajadas. Los modelos finales de relajación directa (tras el aprendizaje activo) lograron MAE de aproximadamente 3.2 meV/f.u. en configuraciones de mínima energía.
• Paisajes de Estabilidad:
  • Sistema Basado en Pb: Exhibe regiones de composición estable más amplias. En la fase cúbica ($Pm\bar{3}m$), existe una región de baja energía en el centro del espacio composicional. Las regiones estables en la envolvente convexa se extienden a través de varias sustituciones en el sitio A y hasta una concentración de Br del 60% dependiendo de la relación Cs/FA.
  • Sistema Basado en Sn: Muestra regiones de composición estable más estrechas en comparación con su contraparte basada en Pb. El pozo de baja energía central observado en la fase cúbica basada en Pb está ausente; las energías más bajas se encuentran en el borde libre de Cs. La envolvente convexa indica menos opciones para la ingeniería composicional, con estabilidad confinada en gran medida a un alto contenido de Yodo.
  • Efectos de Temperatura: Las regiones de estabilidad se expanden a temperaturas elevadas (150 °C), consistente con la estabilización entrópica, pero la disparidad fundamental entre los sistemas Pb y Sn permanece.
• Entropía y Estabilidad: El análisis revela que la estabilización impulsada por la entropía es limitada. La máxima estabilidad ocurre con un alto contenido de Yodo, y no se observa una estabilización significativa cerca del centro del espacio composicional donde la entropía de mezcla es más alta. Esto sugiere que la mezcla por sí sola no puede estabilizar las composiciones cuaternarias centrales frente a la separación de fases.
• Validación Experimental: Los resultados para el sistema basado en Pb muestran un acuerdo cualitativo con datos experimentales de alto rendimiento de Wang et al., particularmente en lo que respecta a la estabilidad de las regiones de bajo Br y bajo Cs en la fase cúbica. Las discrepancias en la fase ortorrómbica se atribuyen a condiciones de síntesis fuera del equilibrio y a posibles desafíos en la identificación de fases entre estructuras cristalinas similares.

Significado y Afirmaciones
El artículo afirma que sus resultados guían el diseño de perovskitas estables mediante el mapeo de los límites termodinámicos fundamentales de estas aleaciones. Los autores concluyen que la estabilidad termodinámica reducida de las perovskitas híbridas basadas en estaño surge de diferencias fundamentales en sus paisajes de energía libre en comparación con sus contrapartes basadas en plomo, específicamente la ausencia de regiones centrales de baja energía y rangos de composición estable más estrechos. En consecuencia, el estudio sugiere que los futuros esfuerzos experimentales para optimizar $(Cs/FA)Sn(Br/I)_3$ deben centrarse en composiciones ya identificadas como favorables para el sistema basado en Pb, en lugar de explorar el espacio composicional central donde la estabilidad no está favorecida termodinámicamente. El trabajo destaca que, aunque el ML puede acelerar el descubrimiento, la inestabilidad termodinámica intrínseca de ciertas regiones cuaternarias no puede superarse únicamente mediante la entropía de mezcla.