Integrating Density Functional Theory, Machine Learning, and Device Simulation for Perovskite Photovoltaics: A Review

सौर ऊर्जा लंबे समय से सिलिकॉन पर निर्भर रही है, जो एक विश्वसनीय सामग्री है लेकिन इसे परिष्कृत करना महंगा है और इसके साथ काम करना कठिन है। हाल के वर्षों में, पेरोव्स्काइट्स (perovskites) के रूप में जानी जाने वाली सामग्रियों का एक नया वर्ग एक शक्तिशाली विकल्प के रूप में उभरा है। ये विशिष्ट, अत्यधिक बहुमुखी संरचना वाले क्रिस्टल हैं जिन्हें सूर्य के प्रकाश को बहुत कुशलता से अवशोषित करने के लिए ट्यून किया जा सकता है। इन्हें पतली, लचीली फिल्मों के रूप में बनाया जा सकता है, और प्रकाश को बिजली में बदलने की इनकी क्षमता इतनी तेजी से बढ़ी है कि अब वे सर्वश्रेष्ठ सिलिकॉन सेल को टक्कर दे रहे हैं। हालाँकि, यह क्षमता एक महत्वपूर्ण बाधा के साथ आती है। इन सामग्रियों का रासायनिक स्थान (chemical space) विशाल है; अपनी संरचना में विभिन्न परमाणुओं को बदलकर, वैज्ञानिक लाखों संभावित विविधताएं बना सकते हैं। प्रयोगशाला में प्रत्येक का परीक्षण करना असंभव है, क्योंकि इसमें दशकों लग जाएंगे और भारी लागत आएगी। इसके अलावा, एक सामग्री जो कंप्यूटर मॉडल में उत्तम दिखती है, वह वास्तविक सौर पैनल में विफल हो सकती है क्योंकि इसमें छिपे हुए दोष जैसे कि गर्म होने पर क्रिस्टल के भीतर अस्थिर परमाणु या आयन घूमते रहते हैं।

इसे हल करने के लिए, शोधकर्ता काम करने के एक नए तरीके की ओर मुड़ रहे हैं जो तीन अलग-अलग उपकरणों को जोड़ता है: क्वांटम भौतिकी गणना, आर्टिफिशियल इंटेलिजेंस, और सौर पैनलों के कंप्यूटर सिमुलेशन। लक्ष्य एक ऐसा पाइपलाइन बनाना है जो प्रयोगशाला में एक भी बूंद तरल मिलाने से पहले यह अनुमान लगा सके कि कौन से रासायनिक नुस्खे काम करेंगे। यह दृष्टिकोण अनुमान पर आधारित नहीं है। इसके बजाय, यह परमाणु स्तर पर सामग्री को समझने के लिए भौतिकी के नियमों का उपयोग करता है, अरबों संभावनाओं को स्कैन करने के लिए मशीन लर्निंग का उपयोग करता है, और यह देखने के लिए डिवाइस मॉडलिंग का उपयोग करता है कि वे वास्तव में एक बिजली पैदा करने वाली मशीन के रूप में कैसे प्रदर्शन करेंगे। चुनौती हमेशा इन तीन चरणों को जोड़ना रही है। एक गणना जो एक अकेले परमाणु का वर्णन करती है, उसे सीधे एक कार्यक्रम में नहीं चिपकाया जा सकता है जो पूरे सौर पैनल का अनुकरण करता है; जानकारी को सावधानीपूर्वक अनुवादित किया जाना चाहिए, अन्यथा परिणाम अर्थहीन होंगे।

समीर पांडे द्वारा की गई एक हालिया समीक्षा बताती है कि इन कम्प्यूटेशनल विधियों को आपस में कैसे जोड़ा जाए ताकि वे भौतिकी के नियमों को तोड़े बिना एक साथ काम कर सकें। यह पेपर किसी एक नए सौर सेल को प्रस्तुत नहीं करता है, बल्कि यह एक महत्वपूर्ण मार्गदर्शिका है कि इन कम्प्यूटेशनल विधियों को कैसे जोड़ा जाए ताकि वे भौतिकी के नियमों का उल्लंघन किए बिना एक साथ काम कर सकें। लेखक का तर्क है कि जबकि हमारे पास व्यक्तिगत परमाणुओं के गुणों की गणना करने के लिए शक्तिशाली उपकरण हैं और बड़े डेटासेट में रुझानों की भविष्यवाणी करने के लिए शक्तिशाली उपकरण हैं, हम अक्सर उनके बीच सूचना के हस्तांतरण को एक सरल "प्लग-एंड-प्ले" प्रक्रिया के रूप में मानते हैं। यह एक खतरनाक अतिसरलीकरण है। समीक्षा स्पष्ट करती है कि परमाणुओं की सूक्ष्म दुनिया से सौर पैनल की स्थूल (macroscopic) दुनिया तक जाने के लिए विशिष्ट, भौतिक रूप से आधारित चरणों की आवश्यकता होती है। आप केवल एक क्वांटम गणना से एक संख्या लेकर उसे सीधे सौर पैनल सिम्युलेटर में नहीं डाल सकते। गुणों की व्याख्या की जानी चाहिए और उन्हें बिजली वास्तव में एक उपकरण के माध्यम through कैसे प्रवाहित होती है, इसके व्यापक संदर्भ में ढालना चाहिए।

यह पेपर एक वर्कफ़्लो की रूपरेखा तैयार करता है जो डेंसिटी फंक्शनल थ्योरी (density functional theory) से शुरू होता है, जो एक विशिष्ट क्रिस्टल संरचना के ऊर्जा स्तरों और स्थिरता की गणना करने के लिए क्वांटम यांत्रिकी का उपयोग करता है। यह उच्च-सटीक डेटा प्रदान करता है, जैसे कि इलेक्ट्रॉन कितनी मजबूती से बंधे हैं या सामग्री में दोष कितनी आसानी से बनते हैं। इन संख्याओं का उपयोग मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए किया जाता है। ये मॉडल उन छात्रों की तरह हैं जो क्वांटम डेटा से रसायन विज्ञान के नियम सीखते हैं। एक बार प्रशिक्षित होने के बाद, वे केवल एक सेकंड के अंश में नई, अनपरीक्षित सामग्रियों के गुणों की भविष्यवाणी कर सकते हैं, और उन विशाल रासायनिक स्थानों को स्कैन कर सकते हैं जिन्हें खोजने में अकेले क्वांटम गणनाओं को वर्षों लग जाएंगे। हालाँकि, समीक्षा इस बात पर जोर देती है कि ये भविष्यवाणियां केवल पहला कदम हैं। मशीन लर्निंग आउटपुट को डिवाइस सिमुलेशन की विशिष्ट भाषा में अनुवादित किया जाना चाहिए।

डिवाइस सिमुलेशन सॉफ्टवेयर, जैसे कि SCAPS-1D, सौर पैनलों के लिए एक आभासी प्रयोगशाला के रूप में कार्य करता है। यह सामग्री के गुणों को लेता है और यह सिमुलेशन करता है कि प्रकाश और बिजली एक परतदार संरचना के भीतर कैसे परस्पर क्रिया करते हैं। यहाँ, पेपर एक महत्वपूर्ण अंतर को रेखांकित करता है। एक मशीन लर्निंग मॉडल किसी सामग्री के "बैंडगैप" (bandgap) की भविष्यवाणी कर सकता है, जो वह ऊर्जा सीमा है जिसे वह अवशोषित करता है, और इसका उपयोग सीधे सिमुलेशन में किया जा सकता है। लेकिन अन्य गुण, जैसे कि इलेक्ट्रॉन कितनी तेजी से चलते हैं या कितने दोष मौजूद हैं, हमेशा मशीन लर्निंग भविष्यवाणी से सीधे उपलब्ध नहीं होते हैं। उनके लिए अक्सर सही ढंग से परिभाषित करने के लिए अतिरिक्त भौतिक धारणाओं या प्रयोगात्मक डेटा की आवश्यकता होती है। समीक्षा चेतावनी देती है कि यदि इन मध्यवर्ती चरणों को छोड़ दिया जाता है या खराब तरीके से संभाला जाता है, तो सिमुलेशन ऐसे परिणाम उत्पन्न करेगा जो स्क्रीन पर प्रभावशाली दिखते हैं लेकिन वास्तविकता से उनका कोई लेना-देना नहीं होता। लेखक इस बात पर जोर देते हैं कि परमाणु पैमाने और डिवाइस पैमाने के बीच का संबंध स्वचालित नहीं है; इसके लिए एक जानबूझकर, भौतिकी-आधारित अनुवाद की आवश्यकता होती है।

इस प्रक्रिया को समझाने के लिए, पेपर एक विशिष्ट उदाहरण की जांच करता है: एक लेड-फ्री (सीसा रहित) डबल पेरोव्स्काइट जिसे Cs2AgBiBr6 कहा जाता है। यह सामग्री इसलिए महत्वपूर्ण है क्योंकि यह लेड की विषाक्तता से बचती है, जो सबसे कुशल पेरोव्स्काइट सेल्स में पाया जाता है। शोधकर्ताओं ने सामग्री के मौलिक गुणों, जैसे कि इसके ऊर्जा अंतराल और विद्युत क्षेत्रों के प्रति इसकी प्रतिक्रिया को निर्धारित करने के लिए क्वांटम गणनाओं का उपयोग किया। इन मानों को फिर एक डिवाइस सिमुलेशन में मैप किया गया ताकि यह देखा जा सके कि इस सामग्री से बना सौर पैनल कैसा प्रदर्शन करेगा। सिमुलेशन ने दिखाया कि यदि सामग्री शुद्ध और दोषों से मुक्त है, तो सैद्धांतिक दक्षता 11 प्रतिशत से अधिक हो सकती है। हालाँकि, सिमुलेशन ने यह भी खुलासा किया कि यदि सामग्री में थोड़ी भी अशुद्धियाँ हैं, तो प्रदर्शन नाटकीय रूप रूप से गिर जाता है। यह निष्कर्ष वर्कफ़्लो के महत्व को रेखांकित करता: कंप्यूटर मॉडल ने पहचान लिया कि सामग्री की सफलता पूरी तरह से अशुद्धियों को कम रखने पर निर्भर करती है, जो एक ऐसा विवरण है जिसे इस बहु-चरणीय विश्लेषण के बिना छोड़ा जा सकता था।

समीक्षा यह भी बताती है कि यह एकीकृत दृष्टिकोण वर्तमान में कहाँ विफल होता है। एक प्रमुख मुद्दा यह है कि मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए उपयोग किया जाने वाला डेटा अक्सर अलग-अलग तरीकों का उपयोग करने वाले विभिन्न स्रोतों से आता है, जिससे विसंगतियां पैदा हो सकती हैं। यदि क्वांटम गणनाएं मानकीकृत नहीं हैं, तो मशीन लर्निंग मॉडल गलत पैटर्न सीख सकता है। दूसरी सीमा यह है कि अधिकांश सिमुलेशन यह मान लेते हैं कि सामग्री स्थिर और पूर्ण है, जबकि वास्तविक सौर पैनल समय के साथ खराब होते हैं। जब सूरज चमकता है तो क्रिस्टल के भीतर आयन घूम सकते हैं, जिससे सामग्री के गुण बदल जाते हैं। वर्तमान मॉडल इस गतिशील व्यवहार को पकड़ने में संघर्ष करते हैं, जिसका अर्थ है कि वे एक स्थिर, उच्च-दक्षता वाले सेल की भविष्यवाणी कर सकते हैं जो वास्तव में वास्तविक दुनिया में विफल हो जाएगा। लेखक का तर्क है कि भविष्य की प्रगति डेटा के लिए बेहतर मानक बनाने, ऐसे मशीन लर्निंग मॉडल विकसित करने पर निर्भर करती है जो समय और परिवर्तन की भौतिकी को समझते हों, और ऐसे सिमुलेशन बनाने पर निर्भर करती है जो इन गतिशील हिस्सों को ध्यान में रख सकें।

अंततः, यह पेपर नए सौर सामग्रियों की खोज के लिए एक अधिक विश्वसनीय तरीके के रोडमैप के रूप में कार्य करता है। यह सुझाव देता है कि पेरोव्स्काइट अनुसंधान का भविष्य एक क्लोज्ड लूप (closed loop) में निहित है जहाँ क्वांटम गणनाएँ तथ्य प्रदान करती हैं, मशीन लर्निंग उम्मीदवारों को खोजती है, और डिवाइस सिमुलेशन वास्तविकता का परीक्षण करते हैं। इस चक्र को दोहराया जा सकता है, जिसमें प्रत्येक चरण अगले चरण को परिष्कृत करता है, जब तक कि सबसे आशाजनक सामग्रियां पहचान न ली जाएं। समीक्षा यह दावा नहीं करती है कि इस प्रक्रिया ने सौर ऊर्जा की समस्या को हल कर दिया है, बल्कि यह एक स्पष्ट मार्ग प्रदान करती है। यह देखते हुए कि इन उपकरणों के बीच के संबंध को एक साधारण डेटा ट्रांसफर के बजाय एक जटिल इंजीनियरिंग चुनौती के रूप में देखा जाना चाहिए, वैज्ञानिक झूठे संकेतों से बच सकते हैं और अपना प्रयास उन सामग्रियों पर केंद्रित कर सकते हैं जो वास्तव में दुनिया को शक्ति देने के लिए तैयार हैं। यह कार्य पुष्टि करता है कि हालांकि हमारे पास पूर्ण सौर सेल डिजाइन करने के उपकरण हैं, हमें पहले विज्ञान के विभिन्न पैमानों के बीच एक ही भाषा बोलना सीखना होगा।