Physics-Informed Machine Learning for Structural Stability and Bandgap Engineering in Lead-Free Sn–Ge Perovskites for Photovoltaic Applications

Resumen Técnico: Aprendizaje Automático Informado por la Física para la Estabilidad Estructural y la Ingeniería de Banda Prohibida en Perovskitas de Sn–Ge Libres de Plomo

Planteamiento del Problema
El rápido avance de las fotovoltaicas de perovskita de haluro (ABX₃) se ha visto obstaculizado por la toxicidad del plomo (Pb²⁺), lo que plantea riesgos significativos para el medio ambiente y la salud, particularmente dada su alta solubilidad en agua y las estrictas restricciones regulatorias (por ejemplo, REACH). Si bien el estaño (Sn²⁺) y el germanio (Ge²⁺) ofrecen alternativas prometedoras y menos tóxicas con estructuras electrónicas similares, sufren problemas críticos de inestabilidad. Específicamente, el Sn²⁺ es propeno a una rápida oxidación a Sn⁴⁺, lo que provoca el colapso de la red y la degradación del material. Además, el vasto espacio de búsqueda química para optimizar las proporciones estequiométricas en los sistemas de cationes mixtos Sn–Ge crea un cuello de botella para el cribado experimental manual tradicional, que es lento y consume muchos recursos.

Metodología
Este estudio implementa un marco de Aprendizaje Automático Informado por la Física (PIML) para mapear sistemáticamente el compromiso entre la estabilidad estructural y la optimización de la banda prohibida (bandgap) en perovskitas de Sn–Ge libres de plomo. En lugar de depender de un enfoque de "caja negra", la metodología integra principios cristalográficos fundamentales directamente en la arquitectura de aprendizaje automático.

• Descriptores: El modelo utiliza descriptores con base física derivados de la química de coordinación y la teoría de la deformación de la red, específicamente el factor de tolerancia de Goldschmidt ($t$) y el factor octaédrico ($\mu$). Estos se calculan utilizando los radios iónicos efectivos de Shannon para definir las restricciones geométricas.
• Conjunto de Datos: Se generó un conjunto de datos curado de más de 1,000 composiciones de cationes mixtos de Sn–Ge libres de plomo, provenientes de la base de datos Materials Project. La construcción del conjunto de datos siguió la Ley de Vegard para asegurar transiciones realistas de los parámetros de red desde fases ricas en Sn hacia fases ricas en Ge.
• Algoritmo: Se entrenó un modelo de regresión de Bosque Aleatorio (Random Forest) (un ensamble de 500 árboles de decisión) sobre este conjunto de datos. El marco equilibra la diversidad química contra las restricciones estructurales para predecir las bandas prohibidas y las ventanas de estabilidad.
• Validación: El rendimiento del modelo se validó frente a fórmulas analíticas basadas en la física y se comparó con valores reportados en la literatura experimental y teórica. La cuantificación de la incertidumbre se realizó mediante el análisis de la varianza entre los árboles de decisión individuales.

Resultados Clave

• Precisión Predictiva: El modelo PIML alcanzó una alta fidelidad predictiva con un coeficiente de determinación ($R^2$ = 0.9624) y un Error Absoluto Medio (MAE) de 28.2 meV. Notablemente, este margen de error es comparable a la energía térmica a temperatura ambiente ($k_BT \approx 25.7$ meV), lo que sugiere que el modelo captura la dinámica intrínseca de la red sin sobreajuste (overfitting).
• Identificación de la Ventana de Estabilidad: El estudio identificó una "Zona de Novedad" específica o ventana de estabilidad donde las composiciones exhiben tanto integridad estructural como propiedades optoelectrónicas óptimas. Esta ventana corresponde a un rango del factor de tolerancia de Goldschmidt de $0.88 \le t \le 0.94$.
• Ingeniería de Banda Prohibida: El modelo mapeó con éxito la sintonización no lineal de la banda prohibida (efecto de curvatura o bowing effect) resultante de la aleación Sn–Ge. Identificó un rango de composición estable que logra una banda prohibida de aproximadamente 1.35 eV, la cual es adecuada para aplicaciones fotovoltaicas y se sitúa entre los valores de CsSnI₃ puro (1.3 eV) y CsGeI₃ (1.5–1.6 eV).
• Importancia de las Características: El análisis reveló que la fracción de catión en el sitio B (Sn vs. Ge) es el descriptor dominante, contribuyendo con un 65% al peso de decisión del modelo, influyendo directamente en los orbitales frontera y los bordes de banda. La mezcla en el sitio A (Cs vs. MA) actúa principalmente como un estabilizador estructural a través del impedimento estérico y la presión química.
• Mecanismos de Estabilidad: La investigación destaca que la introducción de Ge crea presión química dentro de la red, lo que suprime la inclinación octaédrica y reduce la oxidación de Sn²⁺. Adicionalmente, pequeñas fracciones de Ge (10–20%) facilitan la formación de una capa de pasivación de GeO₂ protectora, mejorando la estabilidad frente a la humedad.

Significancia y Reivindicaciones
El artículo afirma proporcionar una hoja de ruta robusta y no tóxica para la próxima generación de fotovoltaicas de perovskita. Al anclar la IA en las leyes físicas, el estudio demuestra que la aceleración de materiales basada en datos puede cerrar eficazmente la brecha entre el descubrimiento computacional y la optimización de dispositivos electrónicos.

• Impacto Ambiental: El estudio sostiene que reemplazar el plomo con alternativas de Sn–Ge reduce significativamente el Índice de Toxicidad y la huella de CO₂ (estimando una reducción del 80% en el puntaje de impacto ambiental total en comparación con los sistemas basados en plomo).
• Guía Experimental: La ventana de estabilidad identificada ofrece una guía directa y reproducible para la síntesis experimental de películas delgadas de semiconductores de alto rendimiento y libres de plomo, yendo más allá de las limitaciones de la experimentación de ensayo y error.
• Sostenibilidad: Los hallazgos se alinean con los objetivos globales de sostenibilidad y las directivas energéticas de 2027, ofreciendo una vía viable hacia tecnologías fotovoltaicas de carbono neutral que sean eficientes y ambientalmente seguras.

Los autores enfatizan que este marco valida la eficacia de integrar las restricciones cristalográficas con el aprendizaje automático para clasificar los controles de estabilidad-eficiencia, proporcionando un enfoque científicamente preciso y físicamente consistente para el descubrimiento de materiales.