Charting the thermodynamic stability of hybrid perovskite alloys with machine learning

본 연구는 (Cs/FA)Pb(Br/I)₃ 및 (Cs/FA)Sn(Br/I)₃ 페로브스카이트 합금의 열역학적 안정성을 매핑하기 위해 그래프 신경망 전위와 직접 에너지 예측기를 결합한 2 단계 머신러닝 전략을 활용하여, Sn 기반 시스템이 Pb 기반 시스템보다 좁은 안정 조성 영역을 가지며 최대 안정성이 높은 요오드 함량에서 발생함을 규명하였다.

핵심

당신이 완벽한 가장 안정적인 케이크를 만들려는 마스터 셰프라고 상상해 보세요. 당신은 네 가지 주요 재료를 가지고 있습니다: 세슘 (Cs), 포름아미디늄 (FA), 납 (Pb) 또는 주석 (Sn), 그리고 브롬 (Br) 과 요오드 (I) 의 혼합물입니다. 이들을 서로 다른 양으로 섞으면 햇빛을 전기로 변환하는'하이브리드 페로브스카이트'케이크를 만들 수 있습니다.

문제는 수십억 개의 가능한 레시피가 있다는 것입니다. 실제 주방에서 (또는 표준 방법을 사용하는 실제 컴퓨터로) 하나하나 구워보고 테스트하려 한다면 우주의 나이보다 더 오래 걸릴 것입니다. 어떤 레시피는 맛이 좋지만 금방 무너져 버립니다 (불안정), 반면 다른 것들은 단단하지만 맛이 없습니다 (낮은 효율).

이 논문은 수십억 개의 케이크를 실제로 구워보지 않고 어떤 레시피가 가장 좋은지 알아내기 위해 초지능 AI 주방 조수를 구축한 과학자 팀에 관한 것입니다.

다음은 그들이 사용한 간단한 비유를 통해 설명한 방법입니다:

1. 두 단계 AI 전략

과학자들은 모든 레시피를 테스트하는 것은 너무 느리다는 것을 깨닫고, 두 단계의 시스템을 구축했습니다:

• 1 단계: "스마트 미각" (MACE 모델)
  이는 구워지기 전의 날것 반죽을 보고 구워진 후 어떻게 정착되고 맛이 날지 정확히 예측할 수 있는 고도로 훈련된 셰프라고 생각하세요. 이 AI 는 소수의 실제 고비용 컴퓨터 실험 (DFT 라고 함) 으로 훈련되었습니다. 물리 법칙을 매우 잘 학습하여 구조를 거의 즉시"이완" (정착) 시킬 수 있어 표준 컴퓨터가 걸리는 시간보다 약 100 만 배의 시간을 절약합니다.
• 2 단계: "수정구" (직접 이완 모델)
  심지어"스마트 미각"조차도 수십억 개의 레시피를 확인해야 한다면 너무 느립니다. 따라서 과학자들은 두 번째로 더 빠른 AI 를 구축했습니다. 이는 구워지기 전의 날것 반죽을 보고 구운 후"스마트 미각"이 무엇을 말했을지 정확히 예측합니다. 구워지는 단계를 완전히 건너뜁니다. 이 두 번째 단계는 속도를 또 다른 1,000 배 더 절약했습니다.

결과: 이 두 AI 가 함께 작동하여 팀은 이전보다 훨씬 짧은 시간 안에 20 억 개의 서로 다른 레시피를 맛볼 수 있었습니다.

2. 안정성 지도

이 초고속 시스템을 사용하여 그들은 두 가지 유형의 케이크에 대한"안정성 지도"를 만들었습니다:

1. 납 기반 케이크: (현재 효율의 챔피언).
2. 주석 기반 케이크: (친환경적이고 무독성인 대안).

그들은 지도를 보고 어떤 레시피가"안정적"(무너지지 않음) 이고 어떤 것이"불안정적"(무너지거나 분리됨) 인지 확인했습니다.

3. 주요 발견

• 납 대 주석 대결: 지도는 납 기반 케이크가 재료를 섞어도 여전히 안정적인 결과를 얻을 수 있는 넓은 안전 지대를 가지고 있음을 보여줍니다. 반면 주석 기반 케이크는 훨씬 더 취약합니다. 그들의"안전 지대"는 매우 좁습니다. 너무 많이 섞으려 하면 무너지는 경향이 있습니다. 이것이 무독성 태양전지를 만드는 것이 왜 그렇게 어려운지 설명해 줍니다. 레시피를 조정할 수 있는 옵션이 매우 제한적이기 때문입니다.
• "중간"은 불안정합니다: 모든 것을 중간 (50% 는 이것, 50% 는 저것) 에 섞으면 완벽한 균형처럼 가장 안정적일 것이라고 생각할 수 있습니다. 그러나 지도는 정반대를 보여주었습니다. 가장 안정적인 지점은 보통 가장자리(높은 요오드 함량) 에 있으며, 지도의 중심은 재료가 서로 다른 부분으로 분리되기를 원하는"위험 지대"입니다.
• 열이 (조금) 도움이 됩니다: 그들은 실온과 높은 베이킹 온도 (150°C) 에서 지도를 확인했습니다. 열이 안정 지대를 약간 넓게 만들었지만, 주석 기반 케이크의 근본적인 문제 (좁은 안전 지대) 는 여전히 남아 있었습니다.

4. 이것이 중요한 이유

이 논문은 오늘날 새로운 태양전지를 발명했다고 주장하지 않습니다. 대신 로드맵을 제공합니다.

• 태양전지를 만들려는 과학자들에게는 다음과 같이 말합니다:"레시피 책 중간에서 주석 기반 케이크를 섞어보려고 시간을 낭비하지 마세요. 작동하지 않습니다. 지도가 안전하다고 말하는 가장자리에 머무르세요."
• 우리는 독성 납을 피하기 위해 주석을 사용하고자 하지만, 물리 법칙은 납 기반 합금보다 주석 기반 합금을 안정화하기가 훨씬 어렵게 만든다는 것을 확인시켜 줍니다.

간단히 말해: 과학자들은 태양전지 재료에 대한"안전 지대"를 매핑한 초고속 AI 를 구축했습니다. 그들은 납 기반 혼합물은 유연하고 안정적이지만, 친환경적인 주석 기반 혼합물은 훨씬 까다롭고 유지하기 어렵다는 것을 발견했으며, 이는 차차기 돌파구를 찾기 위해 미래 연구자들이 어디를 찾아야 하는지 안내합니다.

기술 요약

기술 요약: 머신러닝을 활용한 하이브리드 페로브스카이트 합금의 열역학적 안정성 매핑

문제 제기
하이브리드 페로브스카이트 태양전지 (PSC) 는 실리콘과 견줄 만한 광전변환 효율을 달성했으나, 장기 운영 안정성 문제와 납의 독성 우려로 인해 상업화는 지연되고 있다. 특히 $(Cs/FA)Pb(Br/I)_3$와 납이 없는 $(Cs/FA)Sn(Br/I)_3$(여기서 FA 는 포름아미디늄) 와 같은 4 원 합금을 이용한 조성 공학은 물성을 조절하고 안정성을 향상시키는 경로를 제공한다. 그러나 이러한 다성분 시스템의 광대한 구성 공간과 방향성을 가진 유기 양이온의 복잡성은 정확한 열역학 모델링을 방해해 왔다. 전통적인 밀도 범함수 이론 (DFT) 은 자유 에너지 지형을 매핑하는 데 필요한 구성을 샘플링하는 데 있어 계산 비용이 너무 많이 들어 실행 불가능하며, 클러스터 확장 (cluster expansions) 과 같은 기존 근사법은 분자 양이온의 배향을 포착하지 못하며, 특수 준무작위 구조 (SQS) 는 제한된 구성 샘플링으로 인해 편향을 도입한다.

방법론
저자들은 이러한 4 원 합금의 전체 조성 공간에 걸쳐 자유 에너지 지형을 계산하도록 설계된 머신러닝 (ML) 가속 원자 모델링 워크플로우를 제시한다. 이 접근법은 계산 병목 현상을 극복하기 위해 2 단계 ML 전략을 채택한다:

1. MACE 원자간 퍼텐셜: 저자들은 DFT 데이터를 기반으로 MACE(고차 등변 메시지 전달 신경망) 퍼텐셜을 학습시켰다. 이러한 퍼텐셜은 효율적인 구조 완화 수행에 사용되어 DFT 대비 약 6 차수 (orders of magnitude) 의 계산 가속화를 달성했다. 학습 데이터에는 무작위화된 양이온/음이온 분포와 FA 분자 배향을 가진 4 개의 상 ($Pm\bar{3}m$, $P4/mbm$, $I4/mcm$, $Pnma$) 에서의$2 \times 2 \times 2$ 초격자가 포함되었다.
2. 직접 완화 모델 (KRR): 자유 에너지 계산에 필요한 샘플링을 더욱 가속화하기 위해, MACE 로 완화된 데이터를 기반으로 2 차 커널 릿지 회귀 (KRR) 모델을 학습시켰다. 이러한 모델은 완화되지 않은 원자 구조에서 직접 완화된 에너지를 예측하여 샘플링 중 명시적 완화의 필요성을 우회한다. 이 단계는 추가적으로 3 차수의 속도 향상을 제공했다.
3. 적극적 학습 (Active Learning): 특히 안정성 분석에 중요한 저에너지 영역에서 정확성을 보장하기 위해 적극적 학습 기법이 도입되었다. 이는 저에너지 합금 구성에 대한 예측을 식별하고 수정하기 위한 반복적 에너지 최소화 몬테카를로 (MC) 시뮬레이션을 포함하여 평균 절대 오차 (MAE) 를 크게 감소시켰다.
4. 자유 에너지 계산: 상태 밀도를 샘플링하고 300 K(및 합성 조건인 150 °C) 에서의 헬름홀츠 혼합 자유 에너지를 계산하기 위해 Wang-Landau 알고리즘이 활용되었다. 이를 통해 상 분리 against 열역학적 안정성을 평가하기 위한 볼록 껍질 (convex hull) 구축 및 곡률 분석이 가능해졌다.

주요 기여

• 워크플로우 개발: 본 논문은 이전 방법들이 효과적으로 모델링하는 데 어려움을 겪었던 방향성 유기 양이온의 처리를 포함하여, 4 원 하이브리드 페로브스카이트의 복잡성을 처리할 수 있는 엄격한 다단계 ML 워크플로우를 확립한다.
• 가속화: 통합 접근법은 전통적인 DFT 대비 약 9 차수의 총 속도 향상을 달성하여, 포괄적인 자유 에너지 매핑에 필요한 20 억 개 이상의 에너지 구성 평가를 가능하게 했다.
• 비교 분석: 본 연구는 여러 상에 걸쳐 납 기반 $(Cs/FA)Pb(Br/I)_3$와 납이 없는 $(Cs/FA)Sn(Br/I)_3$4 원 합금 간의 첫 번째 포괄적인 열역학적 안정성 비교를 제공한다.

결과

• 모델 정확도: 완화된 구조에 대한 단일점 DFT 계산과 비교할 때, MACE 퍼텐셜은 Pb 기반 시스템에서 2.81 meV/f.u., Sn 기반 시스템에서 3.07 meV/f.u. 의 MAE 를 달성했다. 최종 직접 완화 모델 (적극적 학습 후) 은 최소 에너지 구성에서 약 3.2 meV/f.u. 의 MAE 를 달성했다.
• 안정성 지형:
  • Pb 기반 시스템: 더 넓은 안정 조성 영역을 보인다. 입방상 ($Pm\bar{3}m$) 에서 조성 공간의 중심에 저에너지 영역이 존재한다. 볼록 껍질 위의 안정 영역은 Cs/FA 비율에 따라 다양한 A 자리 치환을 거쳐 최대 60% 의 Br 농도까지 확장된다.
  • Sn 기반 시스템: Pb 기반 시스템에 비해 더 좁은 안정 조성 영역을 보인다. Pb 기반 입방상에서 관찰된 중심 저에너지 우물은 존재하지 않으며, 최저 에너지는 Cs 가 없는 가장자리에서 발견된다. 볼록 껍질은 조성 공학을 위한 옵션이 적음을 나타내며, 안정성은 주로 높은 요오드 함량으로 제한된다.
  • 온도 효과: 안정성 영역은 고온 (150 °C) 에서 엔트로피 안정화와 일치하게 확장되지만, Pb 와 Sn 시스템 간의 근본적인 차이는 유지된다.
• 엔트로피와 안정성: 분석 결과 엔트로피 주도 안정화는 제한적임을 보여준다. 최대 안정성은 높은 요오드 함량에서 발생하며, 혼합 엔트로피가 가장 높은 조성 공간의 중심부에서는 유의미한 안정화가 관찰되지 않는다. 이는 혼합만으로는 상 분리에 대항하여 중심 4 원 조성을 안정화시킬 수 없음을 시사한다.
• 실험적 검증: Pb 기반 시스템에 대한 결과는 Wang 등으로부터의 고속 실험 데이터와 정성적으로 일치하며, 특히 입방상에서 저 Br, 저 Cs 영역의 안정성과 관련하여 그렇다. 정방정계 (orthorhombic) 상에서의 불일치는 비평형 합성 조건과 유사한 결정 구조 간의 상 식별 어려움으로 귀결된다.

의의 및 주장
본 논문은 이러한 합금의 근본적인 열역학적 한계를 매핑함으로써 안정한 페로브스카이트 설계에 지침을 제공한다고 주장한다. 저자들은 주석 기반 하이브리드 페로브스카이트의 감소된 열역학적 안정성이 납 기반 대응물과 비교하여 자유 에너지 지형의 근본적인 차이, 즉 중심 저에너지 영역의 부재와 더 좁은 안정 조성 범위의 부재에서 비롯된다고 결론 내린다. 따라서 본 연구는 $(Cs/FA)Sn(Br/I)_3$를 최적화하기 위한 향후 실험적 노력은 안정성이 열역학적으로 선호되지 않는 중심 조성 공간을 탐색하기보다, 이미 Pb 기반 시스템에 유리한 것으로 확인된 조성에 집중해야 함을 시사한다. 이 연구는 ML 이 발견을 가속화할 수 있지만, 특정 4 원 영역의 고유한 열역학적 불안정성은 혼합 엔트로피만으로 극복할 수 없음을 강조한다.