Physics-Informed Machine Learning for Structural Stability and Bandgap Engineering in Lead-Free Sn–Ge Perovskites for Photovoltaic Applications

技術要約：構造安定性とバンドギャップエンジニアリングのための物理学に基づいた機械学習を用いた、非鉛Sn–Geペロブスカイトの研究

問題提起
ハロゲン化ペロブスカイト（ABX₃）の急速な進歩は、鉛（Pb²⁺）の毒性によって阻害されてきた。鉛は水への溶解度が高く、REACHなどの厳格な規制（例：REACH規則）があるため、環境および健康へのリスクが極めて高い。スズ（Sn²⁺）やゲルマニウム（Ge²⁺）は、類似の電子構造を持ちながら、より毒性の低い有望な代替案となるが、重大な不安定性の問題を抱えている。具体的には、Sn²⁺はSn⁴⁺へと急速に酸化しやすく、それが格子崩壊と材料の劣化を招く。さらに、Sn–Ge混合カチオン系の化学量論比を最適化するための膨大な化学探索空間は、従来の経験的な手動スクリーニングにおけるボトルネックとなっており、これには多大な時間と資源を要する。

手法
本研究では、物理学に基づいた機械学習（PIML）フレームワークを実装し、非鉛Sn–Geペロブスカイトにおける構造安定性とバンドギャップ最適化のトレードオフを体系的にマッピングした。本手法は、「ブラックボックス」的なアプローチに依存するのではなく、結晶学の基本原理を機械学習アーキテクチャに直接統合している。

• 記述子（Descriptors）: モデルは、配位化学および格子歪み理論から導出された、物理学に基づいた記述子、具体的には**ゴールドシュミットの許容因子（$t$）と八面体因子（$\mu$）**を利用している。これらは、幾何学的制約を定義するために、シャノン有効イオン半径を用いて算出される。
• データセット: Materials Projectデータベースから抽出された、1,000を超える非鉛Sn–Ge混合カチオン組成の精選されたデータセットが生成された。データセットの構築には、Snに富む相からGeに富む相への現実的な格子パラメータの遷移を保証するため、ベガード則（Vegard's Law）に従った。
• アルゴリズム: このデータセットに対して、ランダムフォレスト回帰モデル（500個の決定木のアンサンブル）が学習された。このフレームワークは、化学的多様性と構造的制約のバランスを取りながら、バンドギャップと安定性ウィンドウを予測する。
• 検証: モデルの性能は、物理学に基づく解析式を用いて検証され、報告されている実験値および理論値とのベンチマークが行われた。また、個々の決定木の分散を分析することにより、不確実性の定量化が行われた。

主な結果

• 予測精度: PIMLモデルは、決定係数（$R^2 = 0.9624$）および平均絶対誤差（MAE）28.2 meVという高い予測忠実度を達成した。特筆すべきは、この誤差範囲が室温における熱エネルギー（$k_BT \approx 25.7$ meV）と同等であることであり、これはモデルが過学習することなく、固有の格子ダイナミクスを捉えていることを示唆している。
• 安定性ウィンドウの特定: 本研究は、組成が構造的完全性と最適な光電特性の両方を示す特定の「新規性ゾーン（Novelty Zone）」または安定性ウィンドウを特定した。このウィンドウは、ゴールドシュミットの許容因子が $0.88 \le t \le 0.94$ の範囲に対応している。
• バンドギャップエンジニアリング: モデルは、Sn–Ge合金化による非線形なバンドギャップチューニング（ボーイング効果）の記述に成功した。純粋なCsSnI₃（1.3 eV）とCsGeI₃（1.5–1.6 eV）の中間に位置する、太陽光発電用途に適した約1.35 eVのバンドギャップを実現する安定な組成範囲を特定した。
• 特徴量の重要度: 分析の結果、**Bサイトカチオンの割合（Sn vs. Ge）が支配的な記述子であり、モデルの決定重みの65%**を占め、フロンティア軌道とバンド端に直接影響を与えることが明らかになった。Aサイトの混合（Cs vs. MA）は、主に立体障害と化学的圧力を通じた構造的安定剤として機能する。
• 安定化メカニズム: 研究は、Geの導入が格子内に化学的圧力を生み出し、それが八面体の傾きを抑制し、Sn²⁺の酸化を低減することを強調している。さらに、少量のGe（10–20%）の添加は、保護的なGeO₂パッシベーション層の形成を促進し、水分安定性を高める。

意義と主張
本論文は、次世代のペロブスカイト太陽電池のための堅牢で非毒性なロードマップを提供すると主張している。AIを物理法則に根ざさせることで、本研究は、データ駆動型の材料加速が、計算による発見と電子デバイスの最適化の間の溝を効果的に埋めることができることを実証している。

• 環境への影響: 本研究は、鉛をSn–Ge代替品に置き換えることで、毒性指数およびCO₂排出量（鉛ベースのシステムと比較して、総環境影響スコアが80%削減されると推定）を大幅に低減できると断言している。
• 実験への指針: 特定された安定性ウィンドウは、試行錯誤的な実験の限界を超え、高性能な非鉛半導体薄膜の実験的合成のための、直接的かつ再現可能なガイドを提供する。
• 持続可能性: 本研究の知見は、世界の持続可能性目標および2027年のエネルギー指令に沿ったものであり、効率的かつ環境的に安全なカーボンニュートラルな太陽光発電技術への実行可能な道筋を提示している。

著者らは、結晶学的制約を機械学習と統合することで、安定性と効率の制御を分類できることを実証しており、これが材料発見に対する科学的に正確で物理的に一貫したアプローチであることを強調している。