Machine learning aided parameter analysis in Perovskite X-ray Detector

Résumé technique : Analyse de paramètres assistée par l'apprentissage automatique dans les détecteurs de rayons X à base de pérovskite

Énoncé du problème
Les détecteurs de rayons X à base de pérovskite sont très prometteurs pour des applications dans le diagnostic médical, la sécurité et les essais non destructifs en raison de leurs coefficients d'absorption élevés et de leurs bandes interdites ajustables. Cependant, l'optimisation des performances des dispositifs — spécifiquement la sensibilité, la limite de détection et le courant d'obscurité — est entravée par l'interaction complexe de nombreuses propriétés intrinsèques des matériaux. Des facteurs tels que les paramètres du réseau cristallin, la dynamique des porteurs, la densité de pièges et la composition atomique créent un système non linéaire où les relations spécifiques régissant la performance demeurent largement inconnues. Les approches traditionnelles par tâtonnement peinent à naviguer dans cet espace de paramètres de haute dimension, particulièrement lorsqu'il s'agit d'atteindre simultanément une haute sensibilité et de faibles densités de courant d'obscurité inférieures à 1 nA cm⁻².

Méthodologie
Cette étude emploie un cadre d'apprentissage automatique (ML) pour décoder les relations entre 15 propriétés intrinsèques des matériaux pérovskites d'halogénures et quatre métriques clés de performance des dispositifs : la bande interdite ($E_g$), le produit mobilité-temps de vie des porteurs ($\mu\tau$), la sensibilité et la limite de détection.

1. Construction de la base de données : Une base de données complète a été compilée à partir de 136 articles de recherche existants et d'un nouveau jeu de données expérimentales, totalisant 137 échantillons. Chaque échantillon comprend 23 caractéristiques, incluant les numéros atomiques ($Z_A, Z_B, Z_X$), les constantes de réseau ($a, b, c$), les angles de réseau et diverses propriétés électroniques. Les valeurs manquantes ont été estimées sur la base de données de la littérature comparable, avec un poids diminué appliqué à ces échantillons estimés lors de l'entraînement afin d'atténuer les erreurs potentielles.
2. Entraînement du modèle : Cinq algorithmes de régression ont été entraînés sur le jeu de données normalisé pour prédire les métriques de performance cibles : la régression linéaire multivariée (MLR), la régression par forêt aléatoire (RFR), l'eXtreme Gradient Boosting (XGBoost), la régression par vecteurs de support (SVR) et la régression symbolique par programmation génétique (GPSR).
3. Analyse des caractéristiques : L'importance des caractéristiques a été classée par importance de permutation afin d'identifier quels paramètres intrinsèques influencent le plus significativement les variables cibles.
4. Validation expérimentale : Pour vérifier les prédictions du ML dans un environnement réel, une nouvelle pérovskite à base de plomb de faible dimension, (m-F-PEA)₂PbI₄, a été synthétisée via une cristallisation par refroidissement thermique. Un détecteur de rayons X monocristallin a été fabriqué et caractérisé pour comparer les résultats expérimentaux aux prédictions du modèle.

Résultats clés

• Performance du modèle : Le modèle de régression par forêt aléatoire (RFR) a démontré la performance la plus robuste, particulièrement pour la prédiction de la bande interdite ($E_g$), atteignant un $R^2$ de test de 0,80. Cependant, les modèles ont montré une précision prédictive plus faible pour $\mu\tau$, la sensibilité et la limite de détection (valeurs de $R^2$ de test allant de 0,02 à 0,17), suggérant que l'ensemble de caractéristiques actuel pourrait ne pas capturer pleinement les prédicteurs nécessaires pour ces cibles complexes.
• Importance des caractéristiques :
  • Bande interdite ($E_g$) : Le numéro atomique du métal du site B ($Z_B$) a été identifié comme le facteur le plus critique influençant la bande interdite. Cela concorde avec les principes physiques où les éléments du site B (ex. : Pb, Bi ou molécules organiques) déterminent directement la structure électronique. Une formule de régression symbolique dérivée de la GPSR, $E_g = \log(Z_B \times Z_X) + \sqrt{Z_B}$, a confirmé davantage la dominance des numéros atomiques des sites B et X, tout en indiquant que le site A a un impact direct négligeable sur la structure de bande.
  • Produit mobilité-temps de vie ($\mu\tau$) : Il a été constaté que le paramètre de longueur de réseau $b$ a le plus grand impact sur $\mu\tau$. Les variations de ce paramètre de réseau influencent la courbure de la bande, la masse effective et la densité de défauts, affectant ainsi le transport des porteurs.
• Vérification expérimentale : Le monocristal de (m-F-PEA)₂PbI₄ synthétisé a présenté une bande interdite de 2,29 eV, correspondant étroitement à la prédiction du RFR de 2,23 eV. Le dispositif a démontré une sensibilité de 1033,7 µC Gy⁻¹ cm⁻² et une limite de détection de 1,41 µGy s⁻¹. Bien qu'il y ait eu de légers écarts dans les valeurs prédites pour la sensibilité et la limite de détection, les résultats expérimentaux ont validé l'applicabilité générale de l'approche ML. Le dispositif a également présenté une excellente stabilité, avec une faible dérive du courant d'obscurité et une haute répétabilité sur 1254 cycles.

Signification et affirmations
Les auteurs affirment que ce travail constitue une étape fondamentale vers la conception pilotée par les données de détecteurs de rayons X à base de pérovskite. En construisant une base de données en libre accès et en appliant le ML, l'étude a réussi à identifier que le numéro atomique du site B est le principal déterminant de la bande interdite et que le paramètre de réseau $b$ est crucial pour les propriétés de transport des porteurs.

L'article conclut modestement que si les modèles de ML, particulièrement le RFR, sont prometteurs pour identifier les descripteurs clés des matériaux, la précision prédictive pour les métriques de performance complexes telles que la sensibilité et la limite de détection nécessite un perfectionnement supplémentaire. Les auteurs suggèrent que les travaux futurs devraient se concentrer sur l'élargissement de l'ensemble de caractéristiques et l'amélioration de la qualité des données pour accroître la généralisabilité du modèle. Ils recommandent explicitement l'utilisation continue de la régression par forêt aléatoire pour analyser les applications de détecteurs de rayons X à base de pérovskite en raison de sa capacité à gérer les relations non linéaires et les valeurs aberrantes inhérentes aux données expérimentales. L'étude ne prétend pas avoir résolu entièrement le défi du courant d'obscurité, mais souligne l'utilité du ML pour restreindre les paramètres critiques pour l'optimisation des matériaux.