Machine learning aided parameter analysis in Perovskite X-ray Detector

技術要約：ペロブスカイトX線検出器における機械学習を用いたパラメータ解析

問題提起
ペロブスカイトX線検出器は、その高い吸収係数と調整可能なバンドギャップにより、医療診断、セキュリティ、非破壊検査への応用において大きな期待を集めている。しかし、デバイス性能（特に感度、検出限界、および暗電流）の最適化は、多数の固有の材料特性による複雑な相互作用によって阻害されている。結晶格子パラメータ、キャリアダイナミクス、トラップ密度、原子組成などの要因は非線形なシステムを形成しており、性能を支配する特定の関係性は大部分が未知である。従来の試行錯誤的なアプローチでは、特に高感度と1 nA cm⁻²以下の低暗電流密度の同時達成を目指す場合、この高次元のパラメータ空間をナビゲートすることに困難を伴う。

手法
本研究では、機械学習（ML）フレームワークを用いて、ハロゲン化ペロブスカイト材料の15の固有特性と、4つの主要なデバイス性能指標（バンドギャップ ($E_g$)、キャリア移動度・寿命積 ($\mu\tau$)、感度、および検出限界）との関係を解読する。

1. データベース構築: 既存の研究論文136報と1つの新しい実験データセットからなる、計137サンプルをまとめた包括的なデータベースを構築した。各サンプルには、原子番号 ($Z_A, Z_B, Z_X$)、格子定数 ($a, b, c$)、格子角、および様々な電子特性を含む23の機能（特徴量）が含まれる。欠損値は比較可能な文献データに基づいて推定され、潜在的な誤差を軽減するために、学習時にはこれらの推定サンプルに対して減少した重みが適用された。
2. モデル学習: ターゲットとなる性能指標を予測するために、正規化されたデータセットに対して5つの回帰アルゴリズム（多変量線形回帰 (MLR)、ランダムフォレスト回帰 (RFR)、eXtreme Gradient Boosting (XGBoost)、サポートベクター回帰 (SVR)、および遺伝的プログラミング記号回帰 (GPSR)）の学習を行った。
3. 特徴量解析: どの固有パラメータがターゲット変数に最も大きく影響するかを特定するため、置換重要度（permutation importance）を用いて特徴量の重要度をランク付けした。
4. 実験的検証: 実環境におけるMLの予測を検証するため、温度冷却結晶化法により、新しい低次元鉛ベースペロブスカイトである (m-F-PEA)₂PbI₄ を合成した。単結晶X線検出器を製作・特性評価し、実験結果とモデルの予測を比較した。

主な結果

• モデル性能: ランダムフォレスト回帰 (RFR) モデルが、特にバンドギャップ ($E_g$) の予測において最も堅牢な性能を示し、テスト $R^2$ で0.80を達成した。しかし、$\mu\tau$、感度、および検出限界については低い予測精度（テスト $R^2$ 値は0.02から0.17の範囲）を示しており、現在の特徴量セットでは、これらの複雑なターゲットに必要な予測因子を完全には捉えきれていない可能性が示唆された。
• 特徴量の重要度:
  • バンドギャップ ($E_g$): Bサイトの金属原子番号 ($Z_B$) が、バンドギャップに影響を与える最も重要な要因として特定された。これは、Bサイト元素（例：Pb、Bi、または有機分子）が電子構造を直接決定するという物理的原理と一致している。GPSRから導出された記号回帰式 $E_g = \log(Z_B \times Z_X) + \sqrt{Z_B}$ は、BサイトおよびXサイトの原子番号の優位性をさらに裏付けるとともに、Aサイトがバンド構造に与える直接的な影響は無視できる程度であることを示した。
  • 移動度・寿命積 ($\mu\tau$): 格子長パラメータ $b$ が $\mu\tau$ に最も大きな影響を与えることが判明した。この格子パラメータの変動は、バンドの曲率、有効質量、および欠陥密度に影響を与え、それによってキャリア輸送に影響を及ぼす。
• 実験的検証: 合成された (m-F-PEA)₂PbI₄ 単結晶は、2.29 eV のバンドギャップを示し、RFR による予測値 2.23 eV と密接に一致した。デバイスは 1033.7 µC Gy⁻¹ cm⁻² の感度と 1.41 µGy s⁻¹ の検出限界を示した。感度と検出限界の予測値にはわずかな乖離が見られたものの、実験結果はMLアプローチの一般的な適用性を検証した。また、デバイスは優れた安定性を示し、1254 サイクルにわたって低い暗電流ドリフトと高い再現性を維持した。

意義と主張
著者らは、本研究がペロブスカイトX線検出器のデータ駆動型設計に向けた基礎的な一歩を提供するものであると主張している。オープンソースのデータベースを構築しMLを適用することで、Bサイトの原子番号がバンドギャップの主要な決定要因であり、格子パラメータ $b$ がキャリア輸送特性に極めて重要であることを特定することに成功した。

本論文は、MLモデル、特に RFR が主要な材料記述子の特定において有望である一方で、感度や検出限界のような複雑な性能指標に対する予測精度にはさらなる洗練が必要であると控えめに結論付けている。著者らは、今後の研究において、モデルの汎用性を高めるために特徴量セットを拡張し、データの質を向上させることに焦点を当てるべきであると示唆している。また、実験データに特有の非線形関係や外れ値を処理できる能力から、ペロブスカイトX線検出器のアプリケーション解析においてランダムフォレスト回帰を継続的に利用することを明示的に推奨している。本研究は、暗電流の課題を完全に解決したと主張するものではなく、材料最適化のための重要なパラメータを絞り込む上でのMLの有用性を強調するものである。