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

太陽エネルギーは長らくシリコンに依存してきました。シリコンは信頼性は高いものの、精製にコストがかかり、加工には硬さという制約があります。近年、ペロブスカイトとして知られる新しい材料のクラスが、強力な代替案として台頭してきました。これらは、日光を非常に効率的に吸収するように調整可能な、特定の高度に多才な構造を持つ結晶です。これらは薄く柔軟な膜に成形することができ、光を電気に変換する能力の向上は極めて速く、今や最高のシリコンセルの性能に匹なるものとなっています。しかし、この潜在能力には重大な障害が伴います。これらの材料の化学的空間は膨大であり、その構造の中に異なる原子を入れ替えることで、科学者は何百万ものバリエーションを生み出すことができます。研究室でその一つひとつをテストすることは不可能であり、それは数十年の歳月と莫大な費用を要することになります。さらに、コンピュータモデル上では完璧に見える材料であっても、加熱された際に結晶内部で原子やイオンが移動するといった隠れた欠陥のために、実際のソーラーパネルでは失敗する可能性があります。

これを解決するために、研究者たちは、量子物理学の計算、人工知能、そしてソーラーパネルのコンピュータ・シミュレーションという3つの異なるツールを組み合わせた、新しい手法へと向かっています。目標は、実験室で一滴の液体を混ぜ合わせる前に、どの化学レシピが機能するかを予測できるパイプラインを構築することです。このアプローチは推測に頼りません。代わりに、原子レベルでの材料の理解に物理法則を用い、機械学習を用いて数十億の可能性をスキャンし、そしてデバイス・モデリングを用いて、それらの材料が実際に発電機としてどのように機能するかを確認します。課題は常に、これら3つのステップを連結させることでした。単一の原子を記述する計算を、そのままソーラーパネル全体をシミュレートするプログラムに貼り付けることはできません。情報は慎重に翻訳されなければ、結果は無意味なものになってしまいます。

サミール・パンディによる最近のレビューは、まさにこの架け橋をどのように築くかを概説しています。この論文は、単一の新しいソーラーセルを提示するものではなく、これらの計算手法を、物理法則に反することなく連携させるための重要なガイドを示すものです。著者は、個々の原子の特性を計算する強力なツールや、大規模なデータセット内の傾向を予測する強力なツールは存在するものの、それらの間の情報の転送を単純な「プラグ・アンド・プレイ」のプロセスとして扱うことがよくあると主張しています。これは危険な単純化です。レビューでは、微視的な原子の世界から巨視的なソーラーパネルの世界へと移行するには、物理学に基づいた具体的なステップが必要であると説明されています。量子計算から得られた数値を、そのままソーラーパネルのシミュレーターに投入することはできません。特性は、電気が実際にデバイス内をどのように流れるかという、より大きな文脈に合わせて解釈され、適応される必要があります。

この論文は、密度汎関数理論（DFT）から始まるワークフローを概説しています。これは、量子力学を用いて特定の結晶構造のエネルギー準位と安定性を計算する手法です。これにより、電子がどれほど強く保持されているか、あるいは欠陥がいかに形成されやすいかといった、高精度な生データが得られます。これらの数値は、機械学習モデルの訓練に使用されます。これらのモデルは、量子データから化学のルールを学ぶ学生のようなものです。一度訓練されれば、これらは未テストの新しい材料の特性を瞬時に予測し、量子計算のみでは何年もかかるような膨大な化学空間をスキャンすることができます。しかし、レビューは、これらの予測はあくまで第一歩であることを強調しています。機械学習の出力は、デバイス・シミュレーションの特定の言語へと翻訳されなければなりません。

SCAPS-1Dのようなデバイス・シミュレーション・ソフトウェアは、ソーラーパネルの仮想的な実験室として機能します。これは材料の特性を取り込み、層状構造内で光と電気がどのように相互作用するかをシミュレートします。ここで、論文は重要な区別を強調しています。機械学習モデルは、材料の「バンドギャップ」（光を吸収するエネルギー範囲）を予測することができ、これはシミュレーションに直接使用できます。しかし、電子の移動速度や欠陥の数といった他の特性は、必ずしも機械学習の予測から直接利用できるわけではありません。これらはしばしば、正しく定義するために追加の物理的な仮定や実験データを必要とします。レビューは、もしこれらの中間ステップがスキップされたり、不適切に扱われたりすれば、シミュレーションは画面上では見栄えが良いものの、現実とは何の関係もない結果を生み出すことになると警告しています。著者は、原子スケールとデバイススケールの間の接続は自動的なものではなく、意図的かつ物理に基づいた翻訳が必要であると強調しています。

このプロセスを例証するために、論文は特定の無鉛ダブルペロブスカイトであるCs2AgBiBr6を検証しています。この材料は、最も効率の高いペロブスカイト・セルに見られる鉛の毒性を回避できるため、関心を集めています。研究者たちは、量子計算を用いて、その材料の基本的な特性（エネルギーギャップや電場への応答など）を決定しました。これらの値は、デバイス・シミュレーションへとマッピングされ、この材料で作られたソーラーパネルがどのように機能するかを確認するために使用されました。シミュレーションの結果、材料が純粋で欠陥がない場合、理論的な効率は11パーセントを超えることが示されました。しかし、シミュレーションは同時に、材料にわずかな欠陥があるだけで、性能が劇的に低下することも明らかにしました。この発見は、このワークフローの重要性を浮き彫りにしています。コンピュータ・モデルは、材料の成功が不純物を低く保つことにかかっているという詳細を、多段階の分析なしでは見逃していたかもしれないことを特定したのです。

また、レビューはこの統合的なアプローチが現在直面している限界についても指摘しています。一つの大きな問題は、機械学習モデルの訓練に使用されるデータが、異なる手法を用いた異なるソースから来ていることが多く、それが不一致を招く可能性があることです。もし量子計算が標準化されていなければ、機械学習モデルは誤ったパターンを学習してしまうかもしれません。もう一つの制限は、ほとんどのシミュレーションが材料を静的で完璧なものと想定している点です。実際には、ソーラーパネルは時間の経過とともに劣化します。結晶内のイオンは太陽が照っている間に移動し、材料の特性を変化させます。現在のモデルは、このような動的な挙動を捉えることが難しく、その結果、現実の世界では失敗するであろう安定した高効率なセルを予測してしまう可能性があります。著者は、将来の進歩は、データのより良い標準の作成、時間と変化の物理学を理解する機械学習モデルの開発、そしてこれらの動的な要素を考慮できるシミュレーションの構築にかかっていると論じています。

最終的に、この論文は、新しい太陽電池材料を発見するための、より信頼性の高い方法へのロードマップとして機能しています。ペロブスカイト研究の未来は、量子計算が事実を提供し、機械学習が候補を見つけ出し、デバイス・シミュレーションが現実をテストするという、クローズドループにあることを示唆しています。このサイクルは、最も有望な材料が特定されるまで、各ステップが次を洗練させていく形で繰り返すことができます。レビューは、このプロセスが太陽エネルギーの問題を解決したと主張しているのではなく、明確な進むべき道を示しているのです。これら3つのツールの間の接続を、単なるデータの転送ではなく、複雑なエンジニアリングの課題として扱うことで、科学者は誤った手がかりを避け、真に世界を動かす準備ができている材料に注力することができるのです。この研究は、完璧なソーラーセルを設計するための道具はすでに持っているものの、まずは科学の異なるスケール間で同じ言語を話せるようになる必要があることを裏付けています。