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

L'energia solare si è a lungo affidata al silicio, un materiale che è affidabile ma costoso da raffinare e rigido da lavorare. Negli ultimi anni, una nuova classe di materiali nota come perovskiti è emersa come una potente alternativa. Si tratta di cristalli con una struttura specifica e altamente versatile che può essere sintonizzata per assorbire la luce solare in modo molto efficiente. Possono essere realizzati sotto forma di film sottili e flessibili, e la loro capacità di convertire la luce in elettricità è migliorata così rapidamente da competere ora con le migliori celle al silicio. Tuttavia, questo potenziale si scontra con un ostacolo significativo. Lo spazio chimico di questi materiali è vastissimo; scambiando diversi atomi nella loro struttura, gli scienziati possono creare milioni di possibili variazioni. Testarle ciascuna in un laboratorio è impossibile, poiché richiederebbe decenni e costerebbe una fortuna. Inoltre, un materiale che appare perfetto in un modello informatico potrebbe fallire in un vero pannello solare a causa di difetti nascosti, come atomi instabili o ioni che si muovono all'interno del cristallo quando viene riscaldato.

Per risolvere questo problema, i ricercatori si stanno rivolgendo a un nuovo modo di lavorare che combina tre strumenti distinti: calcoli di fisica quantistica, intelligenza artificiale e simulazioni di pannelli solari. L'obiettivo è creare una pipeline che possa prevedere quali ricette chimiche funzioneranno prima che venga versata una singola goccia di liquido in un laboratorio. Questo approccio non si basa sulle supposizioni. Al contrario, utilizza le leggi della fisica per comprendere il materiale a livello atomico, utilizza l'apprendimento automatico per scansionare miliardi di possibilità e utilizza la modellazione del dispositivo per vedere come quei materiali funzionerebbero effettivamente come macchina generatrice di energia. La sfida è sempre stata collegare questi tre passaggi. Un calcolo che descrive un singolo atomo non può essere semplicemente incollato in un programma che simula un intero pannello solare; l'informazione deve essere tradotta con cura, altrimenti i risultati saranno privi di senso.

Una recente revisione di Sameer Pandey delinea esattamente come costruire questo ponte. Il documento non presenta una singola nuova cella solare, ma piuttosto una guida critica su come collegare questi metodi computazionali affinché lavorino insieme senza violare le leggi della fisica. L'autore sostiene che, sebbene abbiamo strumenti potenti per calcolare le proprietà dei singoli atomi e strumenti potenti per prevedere le tendenze in grandi dataset, spesso trattiamo il trasferimento di informazioni tra di essi come un semplice processo "plug-and-play". Questa è una semplificazione pericolosa. La revisione spiega che passare dal mondo microscopico degli atomi al mondo macroscopico di un pannello solare richiede passaggi specifici e fondati sulla fisica. Non si può prendere un numero da un calcolo quantistico e inserirlo direttamente in un simulatore di pannelli solari. Le proprietà devono essere interpretate e adattate per adattarsi al contesto più ampio di come l'elettricità fluisce effettivamente attraverso un dispositivo.

Il documento delinea un flusso di lavoro che inizia con la teoria del funzionale della densità, un metodo che utilizza la meccanica quantistica per calcolare i livelli di energia e la stabilità di una specifica struttura cristallina. Questo fornisce i dati grezzi ad alta fedeltà, come quanto strettamente siano trattenuti gli elettroni o quanto facilmente il materiale formi difetti. Questi numeri vengono poi utilizzati per addestrare modelli di apprendimento automatico. Questi modelli sono come studenti che imparano le regole della chimica dai dati quantistici. Una volta addestrati, possono prevedere le proprietà di nuovi materiali non ancora testati in una frazione di secondo, scansionando vasti spazi chimici che richiederebbero anni per essere esplorati solo con i calcoli quantistici. Tuttavia, la revisione sottolinea che queste previsioni sono solo il primo passo. L'output dell'apprendimento automatico deve essere poi tradotto nel linguaggio specifico della simulazione del dispositivo.

Il software di simulazione del dispositivo, come SCAPS-1D, agisce come un laboratorio virtuale per i pannelli solari. Prende le proprietà del materiale e simula come la luce e l'elettricità interagiscono all'interno di una struttura stratificata. Qui, il documento evidenzia una distinzione cruciale. Un modello di apprendimento automatico potrebbe prevedere il "bandgap" di un materiale, ovvero l'intervallo di energia che assorbe, e questo può essere usato direttamente nella simulazione. Ma altre proprietà, come la velocità con cui si muovono gli elettroni o il numero di difetti presenti, non sono sempre direttamente disponibili dalla previsione dell'apprendimento automatico. Spesso richiedono ipotesi fisiche aggiuntive o dati sperimentali per essere definite correttamente. La revisione avverte che, se questi passaggi intermedi vengono saltati o gestiti male, la simulazione produrrà risultati che sembrano impressionanti su uno schermo ma che non hanno nulla a che fare con la realtà. L'autore sottolinea che il collegamento tra la scala atomica e la scala del dispositivo non è automatico; richiede una traduzione deliberata e basata sulla fisica.

Per illustrare questo processo, il documento esamina un esempio specifico: una doppia perovskite priva di piombo chiamata Cs2AgBiBr6. Questo materiale è di interesse perché evita la tossicità del piombo, che si trova nelle celle a perovskite più efficienti. I ricercatori hanno utilizzato calcoli quantistici per determinare le proprietà fondamentali del materiale, come il suo intervallo di energia e la sua risposta ai campi elettrici. Questi valori sono stati poi mappati in una simulazione di dispositivo per vedere come si comporterebbe un pannello solare realizzato con questo materiale. La simulazione ha mostrato che se il materiale è puro e privo di difetti, l'efficienza teorica potrebbe superare l'11 percento. Tuttavia, la simulazione ha anche rivelato che se il materiale contiene anche un piccolo numero di difetti, le prestazioni calano drasticamente. Questo risultato sottolinea l'importanza del flusso di lavoro: il modello informatico ha identificato che il successo del materiale dipende interamente dal mantenimento di un basso livello di impurità, un dettaglio che potrebbe essere stato trascurato senza questa analisi multi-step.

La revisione evidenzia anche dove questo approccio integrato attualmente mostra le sue lacune. Un problema principale è che i dati utilizzati per addestrare i modelli di apprendimento automatico provengono spesso da fonti diverse che utilizzano metodi differenti, il che può portare a incongruenze. Se i calcoli quantistici non sono standardizzati, il modello di apprendimento automatico potrebbe apprendere schemi errati. Un'altra limitazione è che la maggior parte delle simulazioni assume che il materiale sia statico e perfetto, mentre i veri pannelli solari si degradano nel tempo. Gli ioni all'interno del cristallo possono muoversi quando splende il sole, cambiando le proprietà del materiale. Gli attuali modelli faticano a catturare questo comportamento dinamico, il che significa che potrebbero prevedere una cella stabile ed efficiente che, nella realtà, fallirebbe. L'autore sostiene che il progresso futuro dipenda dalla creazione di migliori standard per i dati, dallo sviluppo di modelli di apprendimento automatico che comprendano la fisica del tempo e del cambiamento, e dalla costruzione di simulazioni che possano tenere conto di queste parti in movimento.

In definitiva, il documento funge da tabella di marcia per un modo più affidabile di scoprire nuovi materiali solari. Suggerisce che il futuro della ricerca sulle perovskiti risieda in un ciclo chiuso in cui i calcoli quantistici forniscono i fatti, l'apprendimento automatico trova i candidati e le simulazioni dei dispositivi testano la realtà. Questo ciclo può essere ripetuto, con ogni passaggio che perfeziona il successivo, finché non vengono identificati i materiali più promettenti. La revisione non afferma che questo processo abbia risolto il problema dell'energia solare, ma fornisce una chiara via d'uscita. Trattando il collegamento tra questi strumenti come una complessa sfida ingegneristica piuttosto che come un semplice trasferimento di dati, gli scienziati possono evitare falsi segnali e concentrare i loro sforzi su materiali che sono davvero pronti a alimentare il mondo. Il lavoro conferma che, sebbene abbiamo gli strumenti per progettare la cella solare perfetta, dobbiamo prima imparare a parlare la stessa lingua attraverso le diverse scale della scienza.