Charting the thermodynamic stability of hybrid perovskite alloys with machine learning

Questo studio impiega una strategia di apprendimento automatico a due livelli che combina potenziali di reti neurali su grafo e predittori diretti di energia per mappare la stabilità termodinamica delle leghe di perovskite (Cs/FA)Pb(Br/I)₃ e (Cs/FA)Sn(Br/I)₃, rivelando che i sistemi a base di Sn presentano regioni di composizione stabile più ristrette rispetto a quelli a base di Pb e che la massima stabilità si verifica ad alto contenuto di iodio.

L'essenziale

Immagina di essere uno chef maestro che cerca di creare la torta perfetta, la più stabile in assoluto. Hai quattro ingredienti principali: Cesio (Cs), Formamidinio (FA), Piombo (Pb) o Stagno (Sn), e una miscela di Bromo (Br) e Iodio (I). Mescolando questi in quantità diverse, puoi creare una torta "perovskite ibrida" che trasforma la luce solare in elettricità.

Il problema è che esistono miliardi di ricette possibili. Se provassi a cuocere e testare ogni singola ricetta in una cucina reale (o con computer reali utilizzando metodi standard), ci vorrebbe più tempo dell'età dell'universo. Alcune ricette hanno un ottimo sapore ma si sfaldano rapidamente (instabili), mentre altre sono solide come una roccia ma non hanno un buon sapore (bassa efficienza).

Questo articolo riguarda un team di scienziati che ha costruito un assistente da cucina AI super-intelligente per capire quali ricette sono le migliori senza effettivamente cuocere miliardi di torte.

Ecco come hanno fatto, usando analogie semplici:

1. La strategia AI a due fasi

Gli scienziati si sono resi conto che testare ogni ricetta era troppo lento, quindi hanno costruito un sistema a due livelli:

• Livello 1: Il "Gustatore Intelligente" (Modello MACE)
  Pensa a questo come a uno chef altamente formato che può guardare un impasto crudo e non cotto e prevedere esattamente come si assesterà e quale sapore avrà una volta cotto. Questa AI è stata addestrata su un piccolo numero di esperimenti informatici reali e costosi (chiamati DFT). Ha imparato le leggi della fisica così bene da poter "rilassare" (assestare) una struttura quasi istantaneamente, risparmiando circa 1.000.000 di volte il tempo che richiederebbe un computer standard.
• Livello 2: La "Sfera di Cristallo" (Modello di Rilassamento Diretto)
  Anche il "Gustatore Intelligente" è troppo lento se devi controllare miliardi di ricette. Quindi, gli scienziati hanno costruito una seconda AI, ancora più veloce. Questa guarda l'impasto crudo e non cotto e prevede esattamente cosa avrebbe detto il "Gustatore Intelligente" dopo averlo cotto. Salta completamente la fase di cottura. Questo secondo passaggio ha risparmiato un'ulteriore 1.000 volte in termini di velocità.

Il Risultato: Insieme, queste due AI hanno permesso al team di testare il sapore di 2 miliardi di ricette diverse in una frazione del tempo che ci sarebbe voluto prima.

2. La mappa della stabilità

Utilizzando questo sistema super-veloce, hanno creato una "mappa di stabilità" per due tipi di torte:

1. Torte a base di Piombo: (I campioni attuali di efficienza).
2. Torte a base di Stagno: (L'alternativa ecologica e non tossica).

Hanno esaminato la mappa per vedere quali ricette erano "stabili" (non si sfalderanno) e quali erano "instabili" (si sbricioleranno o si separeranno).

3. Le grandi scoperte

• Lo scontro Piombo vs Stagno: La mappa ha rivelato che le torte a base di Piombo hanno una vasta zona sicura dove puoi mescolare gli ingredienti e ottenere comunque un risultato stabile. Tuttavia, le torte a base di Stagno sono molto più fragili. La loro "zona sicura" è molto stretta. Se provi a mescolarle troppo, tendono a sfaldarsi. Questo spiega perché realizzare celle solari non tossiche è così difficile; hai pochissime opzioni per modificare la ricetta senza romperla.
• Il "Centro" è instabile: Potresti pensare che mescolare tutto nel mezzo (50% di questo, 50% di quello) sarebbe la cosa più stabile, come un perfetto equilibrio. La mappa ha mostrato il contrario. I punti più stabili si trovano solitamente ai bordi (alto contenuto di Iodio), mentre il centro della mappa è una "zona di pericolo" dove il materiale vuole separarsi in parti diverse.
• Il calore aiuta (un po'): Hanno controllato la mappa a temperatura ambiente e ad alte temperature di cottura (150°C). Sebbene il calore abbia reso le zone stabili leggermente più ampie, il problema fondamentale delle torte a base di Stagno (la loro zona sicura stretta) è rimasto.

4. Perché questo è importante

L'articolo non afferma di aver inventato una nuova cella solare oggi. Invece, fornisce una mappa di percorso.

• Per gli scienziati che cercano di realizzare celle solari, dice: "Non sprecare tempo cercando di mescolare torte a base di Stagno nel mezzo del libro delle ricette; non funzioneranno. Attieniti ai bordi dove la mappa dice che è sicuro".
• Conferma che, sebbene vogliamo usare lo Stagno per evitare il Piombo tossico, le leggi della fisica rendono le leghe a base di Stagno molto più difficili da stabilizzare rispetto a quelle a base di Piombo.

In sintesi: Gli scienziati hanno costruito un'AI super-veloce che ha mappato le "zone sicure" per gli ingredienti delle celle solari. Hanno scoperto che, mentre le miscele a base di Piombo sono flessibili e stabili, le miscele a base di Stagno, ecologiche, sono molto più schizzinose e difficili da tenere insieme, guidando i futuri ricercatori su dove cercare la prossima svolta.

Sommario tecnico

Sintesi Tecnica: Mappatura della stabilità termodinamica delle leghe di perovskite ibride con l'apprendimento automatico

Enunciato del Problema
Le celle solari a perovskite ibrida (PSC) hanno raggiunto efficienze di conversione della potenza paragonabili al silicio, tuttavia la loro commercializzazione è ostacolata da problemi di stabilità operativa a lungo termine e da preoccupazioni relative alla tossicità del piombo. L'ingegneria composizionale mediante leghe quaternarie, in particolare $(Cs/FA)Pb(Br/I)_3$ e la versione priva di piombo $(Cs/FA)Sn(Br/I)_3$ (dove FA è formamidinio), offre una via per sintonizzare le proprietà e migliorare la stabilità. Tuttavia, l'enorme spazio configurativo di questi sistemi multicomponente, combinato con la complessità degli cationi organici orientabili, ha impedito una modellazione termodinamica accurata. La tradizionale Teoria del Funzionale Densità (DFT) è computazionalmente proibitiva per campionare le configurazioni necessarie a mappare i paesaggi di energia libera, mentre le approssimazioni esistenti come le espansioni a cluster non riescono a catturare le orientazioni dei cationi molecolari, e le Strutture Quasi-Casuali Speciali (SQS) introducono bias a causa di un campionamento configurativo limitato.

Metodologia
Gli autori presentano un flusso di lavoro di modellazione atomistica accelerato dall'apprendimento automatico (ML) progettato per calcolare i paesaggi di energia libera su tutto lo spazio composizionale di queste leghe quaternarie. L'approccio impiega una strategia ML a due livelli per superare i colli di bottiglia computazionali:

1. Potenziali Interatomici MACE: Gli autori hanno addestrato potenziali MACE (Reti Neurali a Passaggio di Messaggi Equivarianti di Ordine Superiore) su dati DFT. Questi potenziali sono stati utilizzati per eseguire rilassamenti strutturali efficienti, accelerando i calcoli di circa sei ordini di grandezza rispetto alla DFT. I dati di addestramento includevano supercelle $2 \times 2 \times 2$ provenienti da quattro fasi distinte ($Pm\bar{3}m$, $P4/mbm$, $I4/mcm$e$Pnma$) con distribuzioni casuali di cationi/anioni e orientazioni molecolari del FA.
2. Modelli di Rilassamento Diretto (KRR): Per accelerare ulteriormente il campionamento richiesto per i calcoli di energia libera, sono stati addestrati modelli secondari di Regressione a Raggio Nucleare (KRR) sui dati rilassati con MACE. Questi modelli prevedono direttamente le energie rilassate a partire da strutture atomiche non rilassate, evitando la necessità di un rilassamento esplicito durante il campionamento. Questo passaggio ha fornito un'ulteriore accelerazione di tre ordini di grandezza.
3. Apprendimento Attivo: Per garantire l'accuratezza, in particolare nel regime a bassa energia critico per l'analisi di stabilità, è stato impiegato uno schema di apprendimento attivo. Ciò ha coinvolto simulazioni iterative di minimizzazione dell'energia Monte Carlo (MC) per identificare e correggere le previsioni per le configurazioni di leghe a bassa energia, riducendo significativamente gli errori assoluti medi (MAE).
4. Calcolo dell'Energia Libera: È stato utilizzato l'algoritmo di Wang-Landau per campionare la densità degli stati e calcolare le energie libere di Helmholtz di miscelazione a 300 K (e a 150 °C per le condizioni di sintesi). Ciò ha permesso la costruzione di inviluppi convessi e l'analisi della curvatura per valutare la stabilità termodinamica rispetto alla separazione di fase.

Contributi Chiave

• Sviluppo del Flusso di Lavoro: Il documento stabilisce un rigoroso flusso di lavoro ML multistadio capace di gestire la complessità delle perovskiti ibride quaternarie, incluso il trattamento dei cationi organici orientabili, che i metodi precedenti faticavano a modellare efficacemente.
• Accelerazione: L'approccio combinato raggiunge un'accelerazione totale di circa nove ordini di grandezza rispetto alla DFT tradizionale, consentendo la valutazione di oltre due miliardi di configurazioni energetiche necessarie per una mappatura completa dell'energia libera.
• Analisi Comparativa: Lo studio fornisce il primo confronto completo sulla stabilità termodinamica tra leghe quaternarie a base di piombo $(Cs/FA)Pb(Br/I)_3$ e prive di piombo $(Cs/FA)Sn(Br/I)_3$ su più fasi.

Risultati

• Accuratezza del Modello: I potenziali MACE hanno raggiunto MAE di 2,81 meV/f.u. e 3,07 meV/f.u. per i sistemi a base di Pb e Sn, rispettivamente, rispetto ai calcoli DFT a punto singolo su strutture rilassate. I modelli finali di rilassamento diretto (dopo l'apprendimento attivo) hanno raggiunto MAE di circa 3,2 meV/f.u. sulle configurazioni a minima energia.
• Paesaggi di Stabilità:
  • Sistema a Base di Pb: Mostra regioni di composizione stabile più ampie. Nella fase cubica ($Pm\bar{3}m$), esiste una regione a bassa energia al centro dello spazio composizionale. Le regioni stabili sull'inviluppo convesso si estendono su varie sostituzioni del sito A e fino al 60% di concentrazione di Br, a seconda del rapporto Cs/FA.
  • Sistema a Base di Sn: Mostra regioni di composizione stabile più ristrette rispetto al suo omologo a base di Pb. Il pozzo a bassa energia centrale osservato nella fase cubica a base di Pb è assente; le energie più basse si trovano al bordo privo di Cs. L'inviluppo convesso indica meno opzioni per l'ingegneria composizionale, con la stabilità confinata principalmente ad alto contenuto di Iodio.
  • Effetti della Temperatura: Le regioni di stabilità si espandono a temperature elevate (150 °C), coerentemente con la stabilizzazione entropica, ma la disparità fondamentale tra i sistemi Pb e Sn permane.
• Entropia e Stabilità: L'analisi rivela che la stabilizzazione guidata dall'entropia è limitata. La massima stabilità si verifica ad alto contenuto di Iodio e non si osserva alcuna stabilizzazione significativa vicino al centro dello spazio composizionale dove l'entropia di miscelazione è massima. Ciò suggerisce che la miscelazione da sola non può stabilizzare le composizioni quaternarie centrali contro la separazione di fase.
• Validazione Sperimentale: I risultati per il sistema a base di Pb mostrano un accordo qualitativo con i dati sperimentali ad alto rendimento di Wang et al., in particolare per quanto riguarda la stabilità delle regioni a basso Br e basso Cs nella fase cubica. Le discrepanze nella fase ortorombica sono attribuite a condizioni di sintesi non all'equilibrio e a potenziali sfide nell'identificazione di fase tra strutture cristalline simili.

Significato e Affermazioni
Il documento afferma che i suoi risultati guidano la progettazione di perovskiti stabili mappando i limiti termodinamici fondamentali di queste leghe. Gli autori concludono che la ridotta stabilità termodinamica delle perovskiti ibride a base di stagno deriva da differenze fondamentali nei loro paesaggi di energia libera rispetto agli omologhi a base di piombo, specificamente l'assenza di regioni centrali a bassa energia e intervalli di composizione stabile più ristretti. Di conseguenza, lo studio suggerisce che i futuri sforzi sperimentali per ottimizzare $(Cs/FA)Sn(Br/I)_3$ dovrebbero concentrarsi su composizioni già identificate come favorevoli per il sistema a base di Pb, piuttosto che esplorare lo spazio composizionale centrale dove la stabilità non è termodinamicamente favorita. Il lavoro evidenzia che, sebbene l'ML possa accelerare la scoperta, l'instabilità termodinamica intrinseca di certe regioni quaternarie non può essere superata esclusivamente dall'entropia di miscelazione.