Rapid Parameter Estimation from Photoluminescence Decays of Halide Perovskite Thin Films

技術要約：ハロゲン化ペロブスカイト薄膜のフォトルミネッセンス減衰からの高速パラメータ推定

問題提起
ハロゲン化ペロブスカイト太陽電池の過渡フォトルミネッセンス（tr-PL）データから材料パラメータを抽出することは、実験的な観測量と材料パラメータ（欠陥密度、トラップ深さ、捕獲係数など）の関係が、単純な逆転可能な解析的表現ではなく、非線形微分方程式系によって支配されているため困難である。MCMC（マルコフ連鎖モンテカルロ）サンプリングのような従来のフィッティング手法は、結合された速度論方程式を繰り返し解く必要があり、計算コストが極めて高くなる（しばしば数時間かかる）ほか、高次元のパラメータ空間（5次元超）の探索にも困難を伴う。また、脱トラップ（熱放出）のような物理プロセスを無視した簡略化されたモデルが複雑さを軽減するために使用されることもあるが、これらはほとんどのペロブスカイト薄膜で見られる高度に非指数関数的な動力学を正確に記述することができない。

手法
著者らは、物理的な忠実性を維持しつつ、パラメータ推定を加速させるために、ベイズ推論と機械学習を組み合わせたワークフローを提案している。本手法の核となる構成要素は以下の通りである：

1. 物理モデル： 本研究では、2つのトラップ状態（アクセプター型）を介したショックレー・リード・ホール（SRH）再結合と放射再結合を記述する、ゼロ次元速度論モデルを利用している。決定的なのは、捕獲係数と放出係数の間の詳細釣合いを保証するために、脱トラップ項を含んでいる点である。モデルは、時間経過に伴う電子（$n$）、正孔（$p$）、および捕捉されたキャリア（$n_{t1}, n_{t2}$）の濃度を解く。
2. データ表現： 実験的なtr-PLデータは、微分減衰時間（$\tau_{diff}$）対フェルミ準位分裂（$\Delta E_F$）のプロットへと変換される。この表現はキャリア密度の情報を保持し、減衰の傾きに基づいて、支配的な再結合経路（深いトラップか浅いトラップか）を即座に特定することを可能にする。
3. サロゲートモデル： 最適化中の微分方程式の求解という計算上のボトルネックを回避するため、著者らは$10^4$個（単一トラップの場合）および$2.6 \times 10^5$個（2つのトラップの場合）の数値シミュレーションからなるデータセットを用いて、ディープニューラルネットワーク（NN）を訓練した。これらのNNは、材料パラメータから$\tau_{diff}$曲線へのマッピングを行うサロゲートモデルとして機能し、高い忠実度（$R^2 > 0.998$）で高速な評価（約100倍の高速化）を可能にする。
4. 最適化および推論：
   • 初期化： 簡略化された速度論式から導出された解析的近似を用いて、最適化のための物理学に基づいた初期値を生成し、減衰が浅いトラップ支配か深いトラップ支配かを分類する。
   • 最適化： NNサロゲートモデルと組み合わせた共分散行列適応進化戦略（CMA-ES）アルゴリズムにより、最良のフィット・パラメータセットを迅速に特定する。
   • 不確実性の定量化： 完全なMCMCの代わりに、最適値の周囲で局所的なスライス・グリッド探索を行う。これにより、条件付き事後確率密度とペアワイズ相関を示す「コーナープロット」を生成する。尤度関数には、測定ノイズ、数値最適化、およびモデル誤差（具体的には0Dモデルにおけるキャリア拡散の無視）からの不確実は組み込まれている。

主な結果

• 合成データによる検証： 単一の浅いトラップを用いた合成データに適用したところ、本ワークフローは最良のフィット・パラメータを正常に回収した。しかし、解析の結果、重大な実用上の非識別性が明らかになった。最適化アルゴbrは解を見つけたものの、欠陥密度（$N_t$）と電子SRH寿命（$\tau_{SRH,n}$）の事後分布は非常に広く、数桁の範囲に及んでいた。これは、ノイズがない場合でも、複数の異なるパラメータの組み合わせが同一の減衰曲線を再現できることを示している。
• 実験への適用（85:15薄膜）： 本手法は、n-オクチルアミノイオダイドで処理されたトリプルカチオン・ペロブスカイト薄膜（$Cs_{0.05}FA_{0.73}MA_{0.22}PbI_{2.56}Br_{0.44}$）に適用された。減衰は2つの浅いトラップによって最もよく記述された。本ワークフローは、数十秒で高精度なフィット（$\epsilon_{rms} \approx 3.0 \times 10^{-2}$）を達成した。
• パラメータ相関： スライスされたコーナープロットは、パラメータ間の強い相関を明らかにした。例えば、欠陥密度とSRH正孔寿命は結合しており、減衰の形状を維持するために、広範な密度の範囲を寿命の調整によって補償することができる。
• 定常状態と過渡状態の比較： 高い欠陥密度と低い欠陥密度の両方のシナリオが、過渡データを等しく適合できることが示されたが、それらは異なる定常状態（ss-PL）挙動を予測した。具体的には、トラップ密度と有効状態密度（$N_t/n_1$）の比が、電荷中性条件（光ドープングか否か）に影響を与え、フェルミ準位分裂と励起強度の間の明確な関係性を生じさせる。ss-PLデータの導入は、過渡データのみの解析において残る曖昧さを解消するための重要なステップであることが示された。

意義および主張
本論文は、ペロブスカイト研究における高速なベイズ・パラメータ推定のための堅牢なフレームワークを提供すると主張している。計算負荷の高いMCMCサンプリングを、ニューラルネットワークによって加速された遺伝的最適化と局所グリッド探索に置き換えることで、不確実性の定量化に要する時間を数時間から数十秒へと短縮した。この速度により、ハイスループットなデータセットの解析が可能となり、物理的な厳密さ（すなわち、脱トラップ項の保持）を損なうことなく、複雑で高次元なパラメータ空間の探索が容易になる。

著者らは、本手法が単に一つの「最良の」パラメータ値を提供するだけでなく、推定されたパラメータの信頼性と限界を定量化することを強調している。彼らは、特定のパラメータ（欠陥密度など）の非識別性は、フィッティング・アルゴリズムの失敗ではなく、実験的に観測可能な領域における微分方程式の固有の性質であることを指摘している。したがって、本手法は、一意の解を見つけることから、データと互換性のある解の多様体とその相関を理解することへと焦点を移している。定常状態データの包含は、過渡データのみを解析する場合に持続する縮退を打破するための決定的なステップであることが示されている。