Computational Investigation and Defect-Related Optimization of Lead-Free Cs₂AgBiBr₆ Double-Perovskite Solar Cells Using DFT, SCAPS-1D, and Machine Learning
यह अध्ययन लेड-फ्री Cs₂AgBiBr₆ डबल-पेरोव्स्काइट सौर कोशिकाओं के इलेक्ट्रॉनिक गुणों की जांच करने और उनके दोष-संबंधी मापदंडों को अनुकूलित करने के लिए डेंसिटी फंक्शनल थ्योरी (DFT), SCAPS-1D डिवाइस सिमुलेशन और मशीन लर्निंग को एकीकृत करता है, जिससे 11.46% का सिम्युलेटेड अधिकतम पावर कन्वर्जन एफिशिएंसी प्राप्त हुआ और एक उच्च-सटीकता वाले रैंडम फॉरेस्ट रिग्रेशन मॉडल के साथ अनुकूलन प्रक्रिया को मान्य किया गया।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
दुनिया एक नए प्रकार के सौर सेल की तलाश कर रही है, जो जहरीले पदार्थों पर निर्भर किए बिना कुशलता से सूर्य के प्रकाश को ग्रहण कर सके। वर्षों से, वैज्ञानिक 'पेरोव्स्काइट्स' (perovskites) नामक क्रिस्टल के एक परिवार से उत्साहित रहे हैं, जो प्रकाश को बिजली में बदलने में उत्कृष्ट हैं। हालाँकि, इन क्रिस्टल के सबसे प्रभावी संस्करणों में लेड (सीसा) होता है, जो एक भारी धातु है और पर्यावरण तथा मानव स्वास्थ्य के लिए गंभीर जोखिम पैदा करती है। इसने शोधकर्ताओं को सुरक्षित विकल्पों की तलाश करने के लिए प्रेरित किया है, विशेष रूप से एक 'डबल पेरोव्स्काइट' के रूप में ज्ञात लेड-मुक्त संस्करण की। उम्मीदवारों के बीच, सीज़ियम, सिल्वर, बिस्मथ और ब्रोमीन से बने एक पदार्थ ने अपनी स्थिरता और कम विषाक्तता के लिए बड़ी संभावना दिखाई है। अब चुनौती यह समझना है कि यह पदार्थ एक सौर सेल के भीतर वास्तव में कैसे व्यवहार करता है और यह पता लगाना है कि इससे सर्वोत्तम संभव उपकरण कैसे बनाया जाए, एक ऐसा कार्य जिसके लिए परमाणु दुनिया में झांकने और बिजली के प्रवाह का अनुकरण करने की आवश्यकता होती है।
एक शोधकर्ता ने हाल ही में इस विशिष्ट लेड-मुक्त सामग्री का अध्ययन करने के लिए तीन अलग-अलग कम्प्यूटेशनल दृष्टिकोणों को जोड़कर इस समस्या का समाधान किया। प्रयोगशाला में भौतिक सौर सेल बनाने के बजाय, उन्होंने परमाणु स्तर से लेकर पूर्ण उपकरण पैमाने तक सामग्री के गुणों का पता लगाने के लिए शक्तिशाली कंप्यूटर मॉडल का उपयोग किया। सबसे पहले, उन्होंने क्रिस्टल की इलेक्ट्रॉनिक संरचना की जांच करने के लिए 'डेंसिटी फंक्शनल थ्योरी' (density functional theory) नामक एक विधि का उपयोग किया। इसने उन्हें यह देखने की अनुमति दी कि सामग्री के भीतर इलेक्ट्रॉन कैसे व्यवस्थित हैं और यह पुष्टि की कि यह एक अर्धचालक (semiconductor) के रूप में व्यवहार करता है, जो बिजली उत्पन्न करने के लिए आवश्यक है। उन्होंने सत्यापित किया कि उनके गणना परिणाम स्थिर और सुसंगत थे, जिससे उनके अन्वेषण के अगले चरणों के लिए एक विश्वसनीय आधार स्थापित हुआ।
परमाणु गुणों को समझने के बाद, शोधकर्ता एक पूर्ण सौर सेल उपकरण का अनुकरण करने की ओर बढ़े। उन्होंने विभिन्न सामग्रियों की परतों वाले एक सौर पैनल के आभासी मॉडल का निर्माण किया, जिसमें एक पारदर्शी अग्र भाग, एक इलेक्ट्रॉन परिवहन परत, एक लेड-मुक्त अवशोषक, एक होल (hole) परिवहन परत और एक धातु का पिछला संपर्क शामिल था। एक विशेष सिमुलेशन प्रोग्राम का उपयोग करते हुए, उन्होंने परीक्षण किया कि मानक धूप की स्थितियों में यह उपकरण कैसा प्रदर्शन करेगा। लक्ष्य यह देखना था कि दो महत्वपूर्ण कारक—प्रकाश-अवशोषक परत की मोटाई और उस परत के भीतर दोषों (imperfections) की संख्या—कैसे बिजली उत्पादन की मात्रा को बदल देते हैं। उन्होंने इन कारकों को व्यवस्थित रूप से बदला, हजारों सिमुलेशन चलाए ताकि यह मानचित्रित किया जा सके कि विभिन्न कॉन्फ़िगरेशन के प्रति उपकरण की दक्षता कैसे प्रतिक्रिया करती है।
सिमुलेशन ने उपकरण को अनुकूलित करने का एक स्पष्ट मार्ग दिखाया। शोधकर्ता ने पाया कि अवशोषक परत की मोटाई महत्वपूर्ण भूमिका निभाती है। यदि परत बहुत पतली है, तो यह पर्याप्त सूर्य का प्रकाश पकड़ नहीं पाती; यदि यह बहुत मोटी है, तो विद्युत आवेश ऊर्जा खोने से पहले इसके माध्यम से संघर्ष करते हुए आगे बढ़ने में असमर्थ होते हैं। मॉडल ने दिखाया कि इस विशिष्ट सामग्री के लिए 1200 नैनोमीटर की मोटाई सबसे उपयुक्त (sweet spot) थी। इस मोटाई पर, और जब सामग्री अधिकांश आंतरिक दोषों से मुक्त थी, तब सिम्युलेटेड सौर सेल ने 11.46 प्रतिशत की पावर कन्वर्जन एफिशिएंसी (शक्ति रूपांतरण दक्षता) प्राप्त की। इसका अर्थ है कि आभासी वातावरण में, उपकरण टकराने वाली सूर्य की रोशनी के 11 प्रतिशत से कुछ अधिक हिस्से को उपयोगी बिजली में बदल सकता है। अध्ययन ने यह भी पुष्टि की कि सामग्री के भीतर दोषों के घनत्व को कम करना अत्यंत महत्वपूर्ण है, क्योंकि कम खामियों का अर्थ है कम ऊर्जा हानि और बेहतर प्रदर्शन।
सिमुलेशन डेटा की इस विशाल मात्रा को समझने के लिए, शोधकर्ता ने 'रैंडम फॉरेस्ट रिग्रेशन' (random forest regression) नामक एक मशीन लर्निंग तकनीक को लागू किया। उन्होंने अपने सौर सेल सिमुलेशन के परिणामों को इस एल्गोरिदम में डाला, जिससे इसे उपकरण की मोटाई, इसके दोष स्तर और परिणामी दक्षता के बीच संबंध को पहचानने के लिए प्रशिक्षित किया गया। मशीन लर्निंग मॉडल ने उच्च सटीकता के साथ सौर सेल के प्रदर्शन की भविष्यवाणी करना सीख लिया, जो सिमुलेशन परिणामों से लगभग पूरी तरह मेल खाता था। इसने शोधकर्ता को प्रत्येक सिमुलेशन को फिर से चलाए बिना तेजी से यह पहचानने की अनुमति दी कि कौन से पैरामीटर सबसे महत्वपूर्ण हैं। विश्लेषण ने पुष्टि की कि अवशोषक की मोटाई और दोषों का घनत्व, दोनों ही इस बात को नियंत्रित करने वाले प्रमुख कारक हैं कि सौर सेल कितनी अच्छी तरह काम करता है।
यह कार्य यह दावा नहीं करता है कि इसने लेड-मुक्त सौर सेल की समस्या को हल कर दिया है या बाजार के लिए तैयार कोई अंतिम उत्पाद बना दिया है। इसके बजाय, यह इस विशिष्ट सामग्री के प्रति दृष्टिकोण अपनाने के लिए एक विस्तृत कम्प्यूटेशनल रोडमैप प्रदान करता है। शोधकर्ता ने प्रदर्शित किया कि अवशोषक परत की मोटाई को सावधानीपूर्वक ट्यून करके और दोषों को न्यूनतम करके, एक लेड-मुक्त उपकरण में महत्वपूर्ण दक्षता प्राप्त करना संभव है। यह अध्ययन एक पूरक मार्गदर्शिका के रूप में कार्य करता है, जो दिखाता है कि कैसे परमाणु-स्तरीय समझ, डिवाइस-स्तरीय सिमुलेशन और डेटा-संचालित भविष्यवाणी भविष्य की सौर तकनीकों को अनुकूलित करने के लिए मिलकर काम कर सकते हैं। हालांकि ये संख्याएं एक कंप्यूटर मॉडल से आती हैं न कि किसी भौतिक प्रयोग से, वे वैज्ञानिकों और इंजीनियरों के लिए एक स्पष्ट लक्ष्य प्रदान करती हैं जो एक दिन वास्तविक दुनिया में इन सेल्स का निर्माण करेंगे।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।