Disentangling the origin of degradation in perovskite solar cells via optical imaging and Bayesian inference

本研究は、フォトルミネッセンスイメージング、ドリフト拡散シミュレーション、およびベイズ推論を組み合わせた新規な手法を用いてペロブスカイト太陽電池の空間的に不均一な劣化をマッピングし、バルク欠陥と界面欠陥を判別することに成功し、アミノシランによるパッシベーションが界面での劣化を効果的に抑制することを実証している。

要約

太陽電池を、活気ある都市として想像してみてください。そこでは日光がエネルギー供給であり、電気は街路を流れる交通量です。この都市が完璧に機能するためには、「道路」（セル内部の材料）が滑らかであり、「交通信号」（異なる層が接する界面）が完璧に機能していなければなりません。

この論文は、なぜ一部の太陽都市が時間の経過とともに崩壊し始めるのか、そしてそれをどうやって修復するかを解明することを目的としています。研究者たちは、ハイテクカメラ、コンピュータ・シミュレーション、そして「ベイズ推論」（あらゆる手がかりを天秤にかけて最も可能性の高い真実を見つけ出す、超スマートな探偵のようなもの）と呼ばれる統計的手法を巧みに組み合わせることで、この謎を解き明かしました。

以下に、彼らの発見の全容をまとめます。

1. 問題点：都市が不均一に劣化している

研究者たちが、熱と光（数週間の間で数年分の太陽曝露をシミュレートしたもの）の下でこれらの太陽電池を老化させたところ、単に都市全体が少しずつ悪化していくのではなく、失敗の「パッチワーク・キルト」のような現象が見られました。

• 「暗いスポット」： 電気が流れることができなくなった「ゴーストタウン」となった領域。
• 「明るい島々」： 他方で、活気に満ち、効率的なままの領域。
• 謎： 都市を遠くから眺める（標準的なテスト）だけでは、問題が「どこ」にあるのかを特定できませんでした。道路そのものが崩れているのか（バルク材料）、それとも交差点の交通信号が故障しているのか（層間の界面）という 문제입니다。

2. 解決策：「超探偵」カメラ

これを解決するために、チームは単に写真を撮ったのではありません。異なる光の下で輝く都市の「動画」を撮影したのです。そして、そのデータを、セル内部で電気やイオン（小さな電荷を持つ粒子）がどのように移動するかをシミュレートするコンピュータモデルに入力しました。

彼らの「ベイズ的探偵」の手法を用いて、輝きから逆算することで、都市を支配する隠れた数値を導き出しました。彼らは、太陽セルのあらゆる微細なピクセルに対してマップを作成し、以下のことを明らかにしました。

• 電子が死滅するまでにどれくらいの時間生存できるか（バルク寿命）。
• 電子が都市の上部および下部の壁でどれくらいの速さで失われるか（表面再結合速度）。

3. 発見：2つの異なる失敗の形態

探偵の仕事は、太陽電池が場所によって2つの全く異なる方法で失敗することを明らかにしました。

• 「道路の錆」（バルク劣化）： 一部の領域では、問題は道路そのものでした。セル内部の材料が不均一に劣化し始め、良好な材料の周囲に不良な材料の島が形成されました。それは、アスファルトが特定の場所でランダムにひび割れるようなものです。
• 「故障した交通信号」（界面劣化）： 他のより深刻な領域では、道路は問題ありませんでしたが、都市の底部（太陽層と電子輸送層が接する部分）にある「交通信号」が故障していました。これにより、電子が捕らえられ、失われてしまいました。決定的なことに、これらの失敗は、最初は小さく孤立した点として始まり、その後、染みが広がるように外側へと広がり、最終的にエリア全体を飲み込んでいきました。

4. 解決策：「分子の接着剤」

研究者たちは、アミノシランと呼ばれる分子を用いた特別な処理の効果をテストしました。これは、ハイテクな「分子の接着剤」または「パッチキット」のようなものです。

• それが何をしたか： それは、都市の底部にある「交通信号」に特化して自分自身を貼り付け、亀裂を封じ込め、接続を修理しました。
• 結果： 処理された太陽電池は、単に長持ちしただけでなく、均一性を保ちました。それらは失敗の「広がる染み」を発展させることはありませんでした。「交通信号」は青のまま維持され、道路は滑らかなまま保たれました。
• 証拠： 処理されたセルと未処理のセルを比較することで、彼らは、未処理のセルが失敗した主な理由は、それらの底部の「交通信号」が故障したためであることを証明しました。接着剤による処理はこの特定の失敗モードを阻止し、都市全体をスムーズに稼働させ続けました。

まとめ

この論文は、太陽電池が単に「均一に摩耗する」のではないことを示しています。それらは、特定の局所的な方法で失敗します。時には道路が崩れ、しかし多くの場合、端にある接続部が先に壊れて広がっていくのです。

この新しい「探偵」手法を用いることで、研究者は太陽電池のどの部分が故障しているのかを正確に特定することができました。そして、特定の分子処理が、最も重要な弱点（界面）を修理し、デバイス全体の崩壊を防ぐターゲットを絞った修理チームとして機能することを証明しました。これは、科学者に対し、今日優れた性能を発揮するだけでなく、長年にわたって強固であり続ける太陽電池を設計するための強力なツールを提供します。

技術概要

技術要約：光学イメージングとベイズ推論によるペロブスカイト太陽電池の劣化起源の解明

問題提起
金属ハロゲン化物ペロブスカイト太陽電池（PSC）は高い光電変換効率を達成しているが、その商業的実現可能性は安定性の問題によって阻まれている。PSCにおける劣化は複雑であり、固有のストレス要因（光、熱、電圧）と外的な要因の両方が関与し、決して一様に進行することはない。それは、特にペロブスカイトと輸送層の界面における、バルクと界面の結合したプロセスを伴うことが多い。フォトルミネセンス（PL）のような空間分解イメージング技術は不均一な劣化を明らかにしてきたが、従来のメソッドでは、単一の完全構成された「モノフェイシャル（単面）」デバイス内において、バルクの再結合損失と界面特異的な再結合（電子または正孔輸送層におけるもの）を明確に区別する能力に欠けていた。準フェルミ準位分裂（QFLS）マップなどの標準的な指標は、劣化が「どこで」起こっているかは示すが、観察された空間的な変動の原因となっている基礎的な物理パラメータ（例：バルク寿命 vs 表面再結合速度）を本質的に定量化することはできない。

手法
著者らは、強度依存型フォトルミネセンスイメージングをドリフト拡散シミュレーションおよびベイズ推論と統合した、新しいフレームワークを導入する。

1. 実験データ： 本研究では、加速老化試験（70°C、フルスペクトル太陽光、開放電圧状態）下での、完全に構成されたPSC（ITO/Me-4PACz/Perovskite/C₆₀/BCP/Cr/Au）を用いたPLイメージングを利用している。コントロールデバイスと、アミノシラン（AEAPTMS）パッシベーション層で処理されたデバイスの両方を分析した。
2. シミュレーションとモデリング： 著者らは、移動性イオン種を明示的に考慮する IonMonger ドリフト拡散シミュレーションパッケージを採用した。彼らは、様々な照射強度におけるシミュレーションされたQFLS応答を生成する大規模なデータベース（ルックアップテーブル）を作成した。このデータベースは、4つの主要な物理パラメータの組み合わせをシミュレートされたQFLS値にマッピングした：
   • バルクキャリア寿命 ($\tau$)
   • 電子輸送層（ETL）界面における表面再結合速度 ($SRV_{ETL}$)
   • 正孔輸送層（HTL）界面における表面再結合速度 ($SRV_{HTL}$)
   • イオン空孔密度 ($N_0$)
3. ベイズ推論： 従来のフィッティングの代わりに、チームはピクセル単位でベイズ推論を適用した。実験的なQFLSデータをシミュレーションのルックアップテーブルと比較することで、物理パラメータの事後確率分布を算出した。このアプローチは、複数のパラメータセットが同様の出力を生成し得るという「パラメータの縮退」に対処し、最も可能性の高い値とその不確地性を特定する。
4. 検証： 推論されたパラメータは、部分的に構成されたスタックに対する時間相関単一光子計数（TCSPC）測定を用いてクロス検証され、同グループによるAEAPTMSパッシベーションに関する過去の知見と比較された。

主な結果
この手法の適用により、空間分解された「推論マップ」が得られ、明確な劣化経路が明らかになった：

• 不均一なバルク劣化： コントロールデバイスの「劣化が少ない」領域では、QFLSの空間的な変動は主にバルクキャリア寿命 ($\tau$) の空間的な変動によって駆動されていることが分析により示された。高QFLSの明るいクラスターは、長い寿命を維持している領域に対応しており、周囲の領域は非放射再結合ゾーンへと劣化していた。
• 界面駆動型の破滅的故障： 「より深刻に劣化した」領域では、劣化は時間の経過とともに拡大する離散的な点から発生していた。ベイズ推論は、これらの領域がバルクの劣化ではなく、$SRV_{ETL}$（電子輸送層における表面再結合速度）の著しい増加によって特徴付けられることを特定した。これは電荷収集品質 ($Q_{col}$) の同時低下によっても裏付けられた。研究では、$SRV_{ETL}$ が（おそらくイオンの再分配により）一部の領域でわずかに減少したものの、破滅的な故障モードは $SRV_{ETL}$ の急激な上昇によって定義されることが指摘されている。
• AEAPTMSパッシベーションの役割： AEAPTMSで処理されたデバイスでは、推論されたマップは顕著な空間的均一性を示した。この処理は、不均一なバルククラスターの形成を抑制し、決定的なことに、デバイスの故障につながる特定の劣化経路（上昇する $SRV_{ETL}$）を防ぐことで、$SRV_{ETL}$ の値を低く維持した。分析は、AE-APTMS処理されたデバイスの安定性向上の主なメカニズムが、ペロブスカイト/ETL界面のパッシベーションであり、コントロールサンプルにおけるデバイス故障を招く特定の劣化経路を抑制することであるという、事前の定量的確認を提供した。
• パラメータの識別可能性： 本研究は、完全な事後分布を分析することの有用性を強調した。バルク寿命と $SRV_{ETL}$ は良好に分解されたが、$SRV_{HTL}$ の事後分布はより広範であり、$N_0$（イオン密度）は強度依存型QFLSのみからは信頼性を持って定量化できなかった。これは、パラメータの識別可能性を評価する本手法の能力を示している。

意義と主張
本論文は、デュアルサイド（両面）測定を必要とせずに、単一のマクロな太陽電池デバイス全体にわたって、バルク、ETL側、およびHTL側の再結合の寄与をデコンボリューション（分離）できる、初の堅牢で空間分解能を持ち、統計的根拠に基づいた手法を提供すると主張している。

著者らは、このアプローチが以下の点において優れていると断言している：

1. 劣化起源の分離： バルクの劣化と、特定の界面劣化（ETL vs HTL）を、完全に構成されたデバイス内で区別することに成功した。これは、従来の特殊な測定セットアップでは限界があった能力である。
2. 局所的な故障の定量化： 単なる空間平均的な指標を超えて、コントロールサンプルにおける破滅的なデバイス故障の主要な要因となる、$SRV_{ETL}$ 高領域の拡大といった具体的な故障モードを特定した。
3. パッシベーションメカニズムの検証： アミノシラン・パッシベーションが、主にETLにおける界面再結合を抑制することによってデバイスを安定化させる一方で、二次的なバルクパッシベーション効果も提供するということを、定量的かつ事前の確認を行った。
4. データの価値向上： 本研究は、高度なベイズ推論がいかに実験的イメージングデータの価値を大幅に高め、定性的なマップを定量的な物理ベースのパラメータ分布へと変貌させ、耐久性のあるエネルギー材料の設計を加速させ得るかを示す好例である。