Rapid Parameter Estimation from Photoluminescence Decays of Halide Perovskite Thin Films

Resumen Técnico: Estimación Rápida de Parámetros a partir de Decaimientos de Fotoluminiscencia de Películas Delgadas de Perovskita de Haluro

Planteamiento del Problema
La extracción de parámetros de materiales a partir de datos de fotoluminiscencia transitoria (tr-PL) en celdas solares de perovskita de haluro es un desafío porque la relación entre los observables experimentales y los parámetros del material (por ejemplo, densidades de defectos, profundidades de trampa, coeficientes de captura) está gobernada por sistemas de ecuaciones diferenciales no lineales en lugar de expresiones analíticas invertibles. Los métodos de ajuste tradicionales, como el muestreo de Cadenas de Markov Monte Carlo (MCMC), requieren resolver estas ecuaciones de velocidad acopladas repetidamente, lo que conduce a costos computacionales prohibitivos (a menudo de horas) y dificultades para explorar espacios de parámetros de alta dimensión (>5 dimensiones). Además, estos métodos suelen tener dificultades con la degeneración de parámetros, donde múltiples conjuntos de parámetros distintos producen ajustes igualmente buenos, lo que dificulta la cuantificación de la incertidumbre o la identificación de correlaciones entre parámetros. Se utilizan a veces modelos simplificados que omiten procesos físicos como el desatrapamiento (emisión térmica) para reducir la complejidad, pero estos no logran describir con precisión la cinética altamente no exponencial observada en la mayoría de las películas de perovskita.

Metodología
Los autores proponen un flujo de trabajo que combina la inferencia bayesiana con el aprendizaje automático para acelerar la estimación de parámetros manteniendo la plena fidelidad física. Los componentes principales de la metodología son:

1. Modelo Físico: El estudio utiliza un modelo de ecuación de velocidad de cero dimensiones que describe la recombinación de Shockley-Read-Hall (SRH) mediante dos estados de trampa (tipo aceptor) y recombinación radiativa. Crucialmente, el modelo incluye términos de desatrapamiento, asegurando el equilibrio detallado entre los coeficientes de captura y emisión. El modelo resuelve las concentraciones de electrones ($n$), huecos ($p$) y portadores atrapados ($n_{t1}, n_{t2}$) a lo largo del tiempo.
2. Representación de Datos: Los datos experimentales de tr-PL se transforman en un gráfico de tiempo de decaimiento diferencial ($\tau_{diff}$) frente al desdoblamiento del nivel de Fermi ($\Delta E_F$). Esta representación preserva la información de la densidad de portadores y permite la identificación inmediata de las vías de recombinación dominantes (trampas profundas vs. superficiales) basándose en la pendiente del decaimiento.
3. Modelado Sustituto (Surrogate Modeling): Para evitar el cuello de botella computacional de resolver ecuaciones diferenciales durante la optimización, los autores entrenan redes neuronales profundas (NN) en un conjunto de datos de más de $10^4$ (para una trampa) y $2.6 \times 10^5$ (para dos trampas) simulaciones numéricas. Estas NN actúan como modelos sustitutos, mapeando los parámetros del material con curvas de $\tau_{diff}$ con alta fidelidad ($R^2 > 0.998$) y permitiendo una evaluación rápida (aproximadamente 100 veces más rápida).
4. Optimización e Inferencia:
   • Inicialización: Se utilizan aproximaciones analíticas derivadas de ecuaciones de velocidad simplificadas para generar valores iniciales físicamente informados para el optimizador, clasificando el decaimiento como dominado por trampas superficiales o profundas.
   • Optimización: Un algoritmo de Estrategia de Evolución de Adaptación de Matriz de Covarianza (CMA-ES) acoplado con el modelo sustituto de NN identifica rápidamente el conjunto de parámetros de mejor ajuste.
   • Cuantificación de la Incertidumbre: En lugar de un MCMC completo, los autores realizan una búsqueda de rejilla segmentada (sliced grid search) local alrededor del óptimo. Esto genera "gráficos de esquina" (corner plots) que muestran las densidades de probabilidad posterior condicional y las correlaciones por pares. La función de verosimilitud incorpora las incertidumbres provenientes del ruido de la medición, la optimización numérica y el error del modelo (específicamente la omisión de la difusión de portadores en el modelo 0D).

Resultados Clave

• Validación con Datos Sintéticos: Aplicado a datos sintéticos para una trampa superficial única, el flujo de trabajo recuperó con éxito los parámetros de mejor ajuste. Sin embargo, el análisis reveló una no-identificabilidad práctica significativa: aunque el optimizador encontró una solución, las distribuciones posteriores para la densidad de defectos ($N_t$) y la vida media de SRH de electrones ($\tau_{SRH,n}$) fueron amplias, abarcando varios órdenes de magnitud. Esto indica que múltiples combinaciones de parámetros pueden reproducir la misma curva de decaimiento, incluso en ausencia de ruido.
• Aplicación Experimental (Película 85:15): El método se aplicó a una película de perovskita de triple catión ($Cs_{0.05}FA_{0.73}MA_{0.22}PbI_{2.56}Br_{0.44}$) tratada con yoduro de n-octilamonio. El decaimiento fue descrito mejor por dos trampas superficiales. El flujo de trabajo logró un ajuste de alta fidelidad ($\epsilon_{rms} \approx 3.0 \times 10^{-2}$) en decenas de segundos.
• Correlaciones de Parámetros: Los gráficos de esquina segmentados revelaron fuertes correlaciones entre parámetros. Por ejemplo, la densidad de defectos y la vida media de huecos de SRH están acopladas, de tal manera que una amplia gama de densidades puede compensarse ajustando las vidas medias para mantener la misma forma de decaimiento.
• Comparación de Estado Estacionario vs. Transitorio: Los autores demostraron que, si bien tanto los escenarios de alta como de baja densidad de defectos podían ajustar los datos transitorios igualmente bien, predecían comportamientos de fotoluminiscencia de estado estacionario (ss-PL) diferentes. Específicamente, la relación entre la densidad de trampa y la densidad efectiva de estados ($N_t/n_1$) influye en la condición de neutralidad de carga (fotodopaje vs. no fotodopaje), lo que conduce a relaciones distintas entre el desdoblamiento del nivel de Fermi y la intensidad de excitación. La inclusión de datos de ss-PL ayuda a restringir el espacio de parámetros, reduciendo la ambigüedad inherente a los datos transitorios por sí solos.

Significancia y Reivindicaciones
El artículo afirma proporcionar un marco robusto para la estimación rápida de parámetros bayesianos en la investigación de perovskitas. Al reemplazar el costoso muestreo MCMC con una optimización genética acelerada por redes neuronales y una búsqueda de rejilla local, los autores reducen el tiempo requerido para la cuantificación de la incertidumbre de horas a decenas de segundos. Esta velocidad permite el análisis de conjuntos de datos de alto rendimiento y facilita la exploración de espacios de parámetros complejos y de alta dimensión sin sacrificar el rigor físico (es decir, manteniendo los términos de desatrapamiento).

Los autores enfatizan que su enfoque no solo proporciona un único valor de parámetro "óptimo", sino que cuantifica la confianza y las limitaciones de los parámetros inferidos. Destacan que la no-identificabilidad de ciertos parámetros (como la densidad de defectos) es una propiedad intrínseca de las ecuaciones diferenciales que gobiernan el sistema dentro del régimen observable experimentalmente, y no un fallo del algoritmo de ajuste. En consecuencia, el método desplaza el enfoque de encontrar una solución única hacia la comprensión de la variedad de soluciones compatibles con los datos y sus correlaciones. Se demuestra que la inclusión de datos de estado estacionario es un paso crítico para romper las degeneraciones que persisten cuando se analizan los datos transitorios de forma aislada.