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

तकनीकी सारांश: लेड-मुक्त Sn–Ge पेरोव्स्काइट्स के संरचनात्मक स्थिरता और बैंडगैप इंजीनियरिंग के लिए भौतिकी-आधारित मशीन लर्निंग (Physics-Informed Machine Learning)

समस्या विवरण
हैलाइड पेरोव्स्काइट फोटोवोल्टिक्स (ABX₃) की तीव्र प्रगति लेड (Pb²⁺) की विषाक्तता के कारण बाधित हुई है, जो महत्वपूर्ण पर्यावरणीय और स्वास्थ्य जोखिम पैदा करती है, विशेष रूप से इसकी उच्च जल घुलनशीलता और सख्त नियामक बाधाओं (जैसे, REACH) को देखते हुए। जबकि टिन (Sn²⁺) और जर्मेनियम (Ge²⁺) समान इलेक्ट्रॉनिक संरचनाओं के साथ आशाजनक, कम विषाक्त विकल्प प्रदान करते हैं, वे गंभीर अस्थिरता संबंधी समस्याओं से जूझते हैं। विशेष रूप से, Sn²⁺ का Sn⁴⁺ में तेजी से ऑक्सीकरण होने की प्रवृत्ति होती है, जिससे जाली (lattice) का पतन और सामग्री का क्षरण होता है। इसके अलावा, Sn–Ge मिश्रित-केशन प्रणालियों में स्टोइकीओमेट्रिक अनुपातों को अनुकूलित करने के लिए व्यापक रासायनिक खोज क्षेत्र का निर्माण एक बाधा उत्पन्न करता है, क्योंकि पारंपरिक मैनुअल प्रयोगात्मक स्क्रीनिंग धीमी और संसाधन-गहन होती है।

कार्यप्रणाली
यह अध्ययन लेड-मुक्त Sn–Ge मिश्रित-केशन पेरोव्स्काइट्स में संरचनात्मक स्थिरता और बैंडगैप अनुकूलन के बीच के ट्रेड-ऑफ को व्यवस्थित रूप से मैप करने के लिए एक फिजिक्स-इन्फॉर्म्ड मशीन लर्निंग (PIML) ढांचे को लागू करता है। एक "ब्लैक-बॉक्स" दृष्टिकोण पर निर्भर रहने के बजाय, यह कार्यप्रणाली मौलिक क्रिस्टलोग्राफिक सिद्धांतों को सीधे मशीन लर्निंग आर्किटेक्चर में एकीकृत करती है।

• डिस्क्रिप्टर्स (Descriptors): मॉडल समन्वय रसायन विज्ञान (coordination chemistry) और जाली तनाव सिद्धांत (lattice strain theory) से प्राप्त भौतिक रूप से आधारित डिस्क्रिप्टर्स का उपयोग करता है, विशेष रूप से गोल्डस्मिट टॉलरेंस फैक्टर ($t$) और ऑक्टाहेड्रल फैक्टर ($\mu$)। इन्हें ज्यामितीय बाधाओं को परिभाषित करने के लिए शैनन प्रभावी आयनिक त्रिज्याओं का उपयोग करके गणना किया जाता है।
• डेटासेट: 1,000 से अधिक लेड-मुक्त Sn–Ge मिश्रित-केशन संरचनाओं का एक क्यूरेटेड डेटासेट तैयार किया गया, जिसे मटेरियल्स प्रोजेक्ट डेटाबेस से लिया गया है। डेटासेट निर्माण में वेगार्ड्स लॉ (Vegard's Law) का पालन किया गया ताकि Sn-रिच से Ge-रिच चरणों तक यथार्थवादी जाली मापदंडों के संक्रमण को सुनिश्चित किया जा सके।
• एल्गोरिदम: इस डेटासेट पर एक रैंडम फॉरेस्ट रिग्रेशन मॉडल (500 निर्णय वृक्षों का एक समूह) को प्रशिक्षित किया गया था। यह ढांचा बैंडगैप और स्थिरता खिड़कियों (stability windows) की भविष्यवाणी करने के लिए रासायनिक विविधता और संरचनात्मक बाधाओं के बीच संतुलन बनाता है।
• सत्यापन: मॉडल के प्रदर्शन को भौतिकी-आधारित विश्लेणात्मक सूत्रों के विरुद्ध सत्यापित किया गया और रिपोर्ट किए गए प्रयोगात्मक एवं सैद्धांतिक साहित्य मूल्यों के विरुद्ध बेंचमार्क किया गया। व्यक्तिगत निर्णय वृक्षों के बीच भिन्नता का विश्लेषण करके अनिश्चितता परिमाणीकरण (uncertainty quantification) किया गया।

मुख्य परिणाम

• भविष्यवाणी सटीकता: PIML मॉडल ने उच्च भविष्य कहने वाली निष्ठा के साथ एक उच्च निर्धारण गुणांक ($R^2$ = 0.9624) और 8.2 meV का माध्य पूर्ण त्रुटि (MAE) प्राप्त किया। उल्लेखनीय रूप से, यह त्रुटि मार्जिन कमरे के तापमान पर तापीय ऊर्जा ($k_BT \approx 25.7$ meV) के तुलनीय है, जो यह सुझाव देता है कि मॉडल ओवरफिटिंग के बिना आंतरिक जाली गतिशीलता को कैप्चर करता है।
• स्थिरता विंडो की पहचान: अध्ययन ने एक विशिष्ट "नवलटी ज़ोन" या स्थिरता विंडो की पहचान की जहाँ संरचनाएं संरचनात्मक अखंडता और इष्टतम ऑप्टोइलेक्ट्रॉनिक गुणों दोनों को प्रदर्शित करती हैं। यह विंडो गोल्डस्मिट टॉलरेंस फैक्टर रेंज $0.88 \le t \le 0.94$ के अनुरूप है।
• बैंडगैप इंजीनियरिंग: मॉडल ने Sn–Ge अलॉयिंग से उत्पन्न गैर-रेखीय बैंडगैप ट्यूनिंग (बौइंग प्रभाव) को सफलतापूर्वक मैप किया। इसने लगभग 1.35 eV का बैंडगैप प्राप्त करने वाली एक स्थिर संरचना सीमा की पहचान की, जो फोटोवोल्टिक अनुप्रयोगों के लिए उपयुक्त है और शुद्ध CsSnI₃ (1.3 eV) तथा CsGeI₃ (1.5–1.6 eV) के बीच स्थित है।
• विशेषता महत्व (Feature Importance): विश्लेषण से पता चला कि B-साइट केशन अंश (Sn बनाम Ge) प्रमुख डिस्क्रिप्टर है, जो मॉडल के निर्णय भार में 65% योगदान देता है, जो सीधे फ्रंटियर ऑर्बिटल्स और बैंड किनारों को प्रभावित करता है। A-साइट मिश्रण (Cs बनाम MA) मुख्य रूप से स्टेरिक हिन्ड्रेंस और रासायनिक दबाव के माध्यम से एक संरचनात्मक स्टेबलाइजर के रूप में कार्य करता है।
• स्थिरता तंत्र: शोध इस बात पर प्रकाश डालता है कि Ge को शामिल करने से जाली के भीतर रासायनिक दबाव उत्पन्न होता है, जो ऑक्टाहेड्रल टिल्टिंग को रोकता है और Sn²⁺ के ऑक्सीकरण को कम करता है। इसके अतिरिक्त, छोटे Ge अंश (10–20%) एक सुरक्षात्मक GeO₂ पैसिवेशन लेयर के निर्माण को सुगम बनाते हैं, जिससे नमी की स्थिरता बढ़ती है।

महत्व और दावे
यह शोध पत्र अगली पीढ़ी के पेरोव्स्काइट फोटोवोल्टिक्स के लिए एक मजबूत, गैर-विषाक्त रोडमैप प्रदान करने का दावा करता है। AI को भौतिक नियमों में स्थापित करके, यह अध्ययन प्रदर्शित करता है कि डेटा-संचालित सामग्री त्वरण (materials acceleration) प्रभावी रूप से कम्प्यूटेशनल खोज और इलेक्ट्रॉनिक डिवाइस अनुकूलन के बीच के अंतर को पाट सकता है।

• पर्यावरणीय प्रभाव: अध्ययन का दावा है कि लेड को Sn–ग् Ge विकल्पों से बदलने से विषाक्तता सूचकांक (Toxicity Index) और CO₂ फुटप्रिंट में उल्लेखनीय कमी आती है (लेड-आधारित प्रणालियों की तुलना में कुल पर्यावरणीय प्रभाव स्कोर में 80% की अनुमानित कमी)।
• प्रयोगात्मक मार्गदर्शन: पहचानी गई स्थिरता विंडो उच्च-प्रदर्शन वाले, लेड-मुक्त सेमीकंडक्टर पतली फिल्मों के प्रयोगात्मक संश्लेषण के लिए एक सीधा, पुनरुत्पादक मार्ग प्रदान करती है, जो परीक्षण-और-त्रुटि (trial-and-error) प्रयोगों की सीमाओं से परे है।
• सततता: निष्कर्ष वैश्विक स्थिरता लक्ष्यों और 2027 ऊर्जा निर्देशों के अनुरूप हैं, जो कार्बन-न्यूट्रल फोटोवोल्टिक प्रौद्योगिकियों की ओर एक व्यवहार्य मार्ग प्रदान करते हैं जो कुशल और पर्यावरण के अनुकूल दोनों हैं।

लेखक इस बात पर जोर देते हैं कि यह ढांचा स्थिरता-दक्षता नियंत्रणों को वर्गीकृत करने के लिए क्रिस्टलोग्राफिक बाधाओं को मशीन लर्निंग के साथ एकीकृत करने की प्रभावकारिता को मान्य करता है, जो सामग्री खोज के लिए एक वैज्ञानिक रूप से सटीक और भौतिक रूप से सुसंगत दृष्टिकोण प्रदान करता है।