Rapid Parameter Estimation from Photoluminescence Decays of Halide Perovskite Thin Films

Résumé technique : Estimation rapide des paramètres à partir des décompositions de photoluminescence de films minces de pérovskites halogénées

Énoncé du problème
L'extraction des paramètres matériels à partir des données de photoluminescence transitoire (tr-PL) dans les cellules solaires à pérovskite est un défi car la relation entre les observables expérimentales et les paramètres matériels (par exemple, les densités de défauts, les profondeurs de pièges, les coefficients de capture) est régie par des systèmes d'équations différentielles non linéaires plutôt que par des expressions analytiques inversibles. Les méthodes de lissage traditionnelles, telles que l'échantillonnage par chaîne de Markov de Monte-Carlo (MCMC), nécessitent la résolution répétée d'équations de taux couplées, ce qui entraîne des coûts de calcul prohibitifs (souvent plusieurs heures) et des difficultés pour explorer des espaces de paramètres de haute dimension (> 5 dimensions). De plus, ces méthodes peinent souvent face à la dégénérescence des paramètres, où plusieurs ensembles de paramètres distincts produisent des ajustements également bons, ce qui rend difficile la quantification de l'incertitude ou l'identification des corrélations entre paramètres. Des modèles simplifiés qui négligent les processus physiques comme le dépiégeage (émission thermique) sont parfois utilisés pour réduire la complexité, mais ils ne parviennent pas à décrire avec précision la cinétique hautement non exponentielle observée dans la plupart des films de pérovskite.

Méthodologie
Les auteurs proposent un flux de travail combinant l'inférence bayésienne et l'apprentissage automatique pour accélérer l'estimation des paramètres tout en conservant une pleine fidélité physique. Les composantes clés de la méthodologie sont :

1. Modèle physique : L'étude utilise un modèle d'équation de taux de dimension zéro décrivant la recombinaison Shockley-Read-Hall (SRH) via deux états de pièges (de type accepteur) et la recombinaison radiative. Crucialement, le modèle inclut des termes de dépiégeage, assurant un équilibre détaillé entre les coefficients de capture et d'émission. Le modèle résout les concentrations d'électrons ($n$), de trous ($p$) et de porteurs piégés ($n_{t1}, n_{t2}$) en fonction du temps.
2. Représentation des données : Les données de tr-PL expérimentales sont transformées en un graphique du temps de décomposition différentiel ($\tau_{diff}$) par rapport à l'écart de niveau de Fermi ($\Delta E_F$). Cette représentation préserve l'information sur la densité de porteurs et permet l'identification immédiate des voies de recombinaison dominantes (pièges profonds vs peu profonds) basée sur la pente de la décomposition.
3. Modélisation de substitution (Surrogate Modeling) : Pour contourner le goulot d'étranglement computationnel de la résolution des équations différentielles lors de l'optimisation, les auteurs entraînent des réseaux de neurones profonds (NN) sur un ensemble de données de plus de $10^4$ (pour un piège) et $2,6 \times 10^5$ (pour deux pièges) simulations numériques. Ces NN agissent comme des modèles de substitution, faisant correspondre les paramètres matériels aux courbes $\tau_{diff}$ avec une haute fidélité ($R^2 > 0,998$) et permettant une évaluation rapide (accélération d'environ 100x).
4. Optimisation et inférence :
   • Initialisation : Des approximations analytiques dérivées d'équations de taux simplifiées sont utilisées pour générer des valeurs de départ informées par la physique pour l'optimiseur, classant la décomposition comme dominée par des pièges peu profonds ou profonds.
   • Optimisation : Un algorithme de stratégie d'évolution par adaptation de matrice de covariance (CMA-ES) couplé au modèle de substitution NN identifie rapidement l'ensemble de paramètres le mieux ajusté.
   • Quantification de l'incertitude : Au lieu d'un MCMC complet, les auteurs effectuent une recherche par grille locale et découpée autour de l'optimum. Cela génère des « graphiques de coins » (corner plots) montrant les densités de probabilité a posteriori conditionnelles et les corrélations par paires. La fonction de vraisemblance incorpore les incertitudes provenant du bruit de mesure, de l'optimisation numérique et de l'erreur de modèle (spécifiquement l'omission de la diffusion des porteurs dans le modèle 0D).

Résultats clés

• Validation sur données synthétiques : Appliquée à des données synthétiques pour un piège peu profond, le flux de travail a réussi à récupérer les paramètres les mieux ajustés. Cependant, l'analyse a révélé une non-identifiabilité pratique significative : bien que l'optimiseur ait trouvé une solution, les distributions a posteriori pour la densité de défauts ($N_t$) et la durée de vie SRH des électrons ($\tau_{SRH,n}$) étaient larges, s'étendant sur plusieurs ordres de grandeur. Cela indique que plusieurs combinaisons de paramètres peuvent reproduire la même courbe de décomposition, même en l'absence de bruit.
• Application expérimentale (Film 85:15) : La méthode a été appliquée à un film de pérovskite à triple cation ($Cs_{0,05}FA_{0,73}MA_{0,22}PbI_{2,56}Br_{0,44}$) traité avec de l'iodure d'octylammonium. La décomposition a été mieux décrite par deux pièges peu profonds. Le flux de travail a obtenu un ajustement de haute fidélité ($\epsilon_{rms} \approx 3,0 \times 10^{-2}$) en quelques dizaines de secondes.
• Corrélations de paramètres : Les graphiques de coins découpés ont révélé de fortes corrélations entre les paramètres. Par exemple, la densité de défauts et la durée de vie SRH des trous sont couplées de telle sorte qu'une large gamme de densités peut être compensée par l'ajustement des durées de vie pour maintenir la même forme de décomposition.
• Comparaison État Stationnaire vs Transitoire : Les auteurs ont démontré que, bien que les scénarios de haute et basse densité de défauts puissent tous deux s'ajuster de manière égale aux données transitoires, ils prédisaient des comportements de photoluminescence en régime stationnaire (ss-PL) différents. Plus précisément, le rapport entre la densité de pièges et la densité d'états effective ($N_t/n_1$) influence la condition de neutralité de charge (photodopage ou non), conduisant à des relations distinctes entre l'écart de niveau de Fermi et l'intensité d'excitation. L'inclusion des données de ss-PL aide à contraindre l'espace des paramètres, réduisant l'ambiguïté inhérente aux données transitoires seules.

Signification et affirmations
L'article affirme fournir un cadre robuste pour l'estimation rapide des paramètres bayésiens dans la recherche sur les pérovskites. En remplaçant l'échantillonnage MCMC coûteux en calcul par une optimisation génétique accélérée par réseau de neurones et une recherche par grille locale, les auteurs réduisent le temps nécessaire à la quantification de l'incertitude de plusieurs heures à quelques dizaines de secondes. Cette vitesse permet l'analyse de jeux de données à haut débit et facilite l'exploration d'espaces de paramètres complexes et de haute dimension sans sacrifier la rigueur physique (c'est-à-dire en conservant les termes de dépiégeage).

Les auteurs soulignent que leur approche ne fournit pas seulement une valeur de paramètre « optimale » unique, mais quantifie la confiance et les limites des paramètres inférés. Ils mettent en évidence que la non-identifiabilité de certains paramètres (comme la densité de défauts) est une propriété intrinsèque des équations différentielles régissant le système dans le régime observable expérimentalement, plutôt qu'un échec de l'algorithme d'ajustement. Par conséquent, la méthode déplace l'attention de la recherche d'une solution unique vers la compréhension de la variété de solutions compatibles avec les données et de leurs corrélations. L'inclusion des données en régime stationnaire est présentée comme une étape critique pour briser les dégénérescences qui persistent lors de l'analyse des données transitoires isolées.