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

태양 에너지는 오랫동안 실리콘에 의존해 왔는데, 실리콘은 신뢰할 수 있는 재료이지만 정제 비용이 많이 들고 다루기에 경직되어 있다는 단점이 있습니다. 최근 몇 년 사이, 페로브스카이트(perovskites)라고 알려진 새로운 물질군이 강력한 대안으로 등장했습니다. 이들은 빛을 매우 효율적으로 흡수하도록 조정할 수 있는 매우 다재다능하고 특정한 구조를 가진 결정체입니다. 이들은 얇고 유연한 박막 형태로 제작될 수 있으며, 빛을 전기로 변환하는 능력이 매우 빠르게 향상되어 이제는 최고의 실리콘 셀과 경쟁할 수준에 도달했습니다. 그러나 이러한 잠재력에는 중대한 장애물이 따릅니다. 이 물질들의 화학적 공간은 매우 방대합니다. 구조 안에 서로 다른 원자들을 교체해 넣음으로써 과학자들은 수백만 가지의 가능한 변형을 만들어낼 수 있습니다. 각각의 변형을 실험실에서 일일이 테스트하는 것은 불가능한데, 이는 수십 년의 시간과 막대한 비용이 들 것이기 때문입니다. 더욱이, 컴퓨터 모델에서는 완벽해 보이는 재료가 열을 받을 때 결정 내부에서 원자나 이온이 움직이는 것과 같은 숨겨진 결함 때문에 실제 태양광 패널에서는 실패할 수도 있습니다.

이를 해결하기 위해 연구자들은 양자 물리 계산, 인공지능, 그리고 태양광 패널 시뮬레이션이라는 세 가지 뚜렷한 도구를 결합한 새로운 작업 방식을 활용하고 있습니다. 목표는 실험실에서 액체를 한 방울도 섞어보기 전에 어떤 화학적 레시피가 작동할지를 예측할 수 있는 파이프라인을 만드는 것입니다. 이 접근 방식은 추측에 의존하지 않습니다. 대신, 물리학 법칙을 사용하여 원자 수준에서 재료를 이해하고, 머신러닝을 사용하여 수십억 개의 가능성을 스캔하며, 장치 모델링을 통해 해당 재료가 실제로 전력을 생성하는 기계로서 어떻게 작동할지를 확인합니다. 문제는 항상 이 세 단계를 연결하는 것이었습니다. 단일 원자를 설명하는 계산 결과는 단순히 태양광 패널 전체를 시뮬레이션하는 프로그램에 붙여넣을 수 없습니다. 정보가 주의 깊게 번역되지 않으면 그 결과는 무의미해질 것입니다.

사미르 판데이(Sameer Pandey)의 최근 리뷰는 이 가교를 어떻게 구축할지에 대해 정확히 설명하고 있습니다. 이 논문은 단 하나의 새로운 태양전지를 제시하는 것이 아니라, 이 계산 방법들이 물리학 법칙을 어기지 않으면서 서로 연동되도록 연결하는 방법에 대한 중요한 가이드를 제공합니다. 저자는 우리가 개별 원자의 특성을 계산하는 강력한 도구와 대규모 데이터셋의 경향을 예측하는 강력한 도구를 모두 가지고 있지만, 종종 이들 사이의 정보 전달을 단순한 '플러그 앤 플레이(plug-and-play)' 과정으로 취급한다고 주장합니다. 이는 위험한 단순화입니다. 리뷰는 미시적인 원자의 세계에서 거시적인 태양광 패널의 세계로 이동하려면 구체적이고 물리적으로 근거가 있는 단계가 필요하다고 설명합니다. 양자 계산에서 얻은 수치를 태양광 패널 시뮬레이터에 직접 입력할 수는 없습니다. 그 특성들은 전기력이 실제로 장치를 통해 어떻게 흐르는지에 대한 더 큰 맥락에 맞게 해석되고 적응되어야 합니다.

논문은 밀도 범함수 이론(density functional theory)에서 시작되는 워크플로우를 개괄합니다. 이는 양자 역학을 사용하여 특정 결정 구조의 에너지 준위와 안정성을 계산하는 방법입니다. 이는 전자가 얼마나 강하게 붙잡혀 있는지 또는 결함이 얼마나 쉽게 형성되는지와 같은 고충실도 데이터를 제공합니다. 이 수치들은 머신러닝 모델을 훈련하는 데 사용됩니다. 이 모델들은 양자 데이터로부터 화학 법칙을 배우는 학생과 같습니다. 일단 훈련되면, 이들은 양자 계산만으로는 수년이 걸릴 방대한 화학적 공간을 단 몇 초 만에 스캔하여 검증되지 않은 새로운 재료의 특성을 예측할 수 있습니다. 그러나 리뷰는 이러한 예측이 첫 단계일 뿐임을 강조합니다. 머신러닝의 출력값은 반드시 장치 시뮬레이션의 특정 언어로 번역되어야 합니다.

SCAPS-1D와 같은 장치 시뮬레이션 소프트웨어는 태양광 패널을 위한 가상 실험실 역할을 합니다. 이 소프트웨어는 재료의 특성을 가져와 빛과 전기가 층 구조 내에서 어떻게 상호작용하는지를 시뮬레이션합니다. 여기서 논문은 중요한 차이점을 강조합니다. 머신러닝 모델은 재료의 '밴드갭(bandgap)', 즉 에너지를 흡수하는 에너지 범위를 예측할 수 있고 이는 시뮬레이션에 직접 사용될 수 있습니다. 하지만 전자의 이동 속도나 결함의 수와 같은 다른 특성들은 머신러닝 예측으로부터 직접 얻을 수 없는 경우가 많습니다. 이러한 특성들은 종-종 추가적인 물리적 가정이나 실험 데이터를 올바르게 정의해야 합니다. 리뷰는 만약 이러한 중간 단계가 생략되거나 부실하게 처리된다면, 시뮬레이션이 화면상으로는 인상적으로 보일지라도 실제와는 아무런 관련이 없는 결과를 낼 것이라고 경고합니다. 저자는 원자 규모와 장치 규모 사이의 연결이 자동적이지 않으며, 의도적이고 물리에 기반한 번역이 필요하다고 강조합니다.

이 과정을 설명하기 위해, 논문은 납이 없는 이중 페로브스카이트인 $Cs_2AgBiBr_6$라는 구체적인 사례를 조사합니다. 이 재료는 가장 효율적인 페로브스카이트 셀에서 발견되는 납의 독성을 피할 수 있어 주목받고 있습니다. 연구진은 이 재료의 에너지 간격 및 전기장에 대한 반응과 같은 근본적인 특성을 결정하기 위해 양자 계산을 사용했습니다. 이 값들은 이 재료로 만든 태양광 패널이 어떻게 작동할지 확인하기 위해 장치 시뮬레이션으로 매핑되었습니다. 시뮬레이션 결과, 재료가 순수하고 결함이 없다면 이론적 효율이 11% 이상에 달할 수 있음을 보여주었습니다. 그러나 시뮬레이션은 또한 재료에 아주 적은 수의 결함만 있어도 성능이 급격히 떨어진다는 점을 밝혀냈습니다. 이 발견은 이 워크플로우의 중요성을 뒷받침합니다. 컴퓨터 모델은 이 재료의 성공 여부가 불순물을 낮게 유지하는 데 전적으로 달려 있다는 점을 식별해 냈는데, 이는 다단계 분석 없이는 놓칠 수 있었던 세부 사항입니다.

리뷰는 또한 이 통합된 접근 방식이 현재 부족한 부분도 지적합니다. 한 가지 주요 문제는 머신러닝 모델을 훈련하는 데 사용되는 데이터가 서로 다른 방법론을 사용하는 다양한 출처에서 오기 때문에 불일치가 발생할 수 있다는 점입니다. 만약 양자 계산이 표준화되지 않는다면, 머신러닝 모델은 잘못된 패턴을 학습할 수 있습니다. 또 다른 한계는 대부분의 시뮬레이션이 재료가 정적이고 완벽하다고 가정한다는 점인데, 실제 태양광 패널은 시간이 지남에 따라 퇴화합니다. 결정 내부의 이온들은 햇빛이 비칠 때 움직이며 재료의 특성을 변화시킵니다. 현재의 모델들은 이러한 동적인 행동을 포착하는 데 어려움을 겪고 있으며, 이는 모델이 실제로는 실패할 수 있는 안정적이고 고효율인 셀을 예측할 수 있음을 의미합니다. 저자는 미래의 발전이 더 나은 데이터 표준을 만들고, 시간과 변화의 물리학을 이해하는 머신러닝 모델을 개발하며, 이러한 움직이는 부품들을 고려할 수 있는 시뮬레이션을 구축하는 데 달려 있다고 주장합니다.

궁극적으로, 이 논문은 새로운 태양 에너지 재료를 발견하기 위한 더 신뢰할 수 있는 방법에 대한 로드맵 역할을 합니다. 이는 페로브스카이트 연구의 미래가 양자 계산이 사실을 제공하고, 머신러닝이 후보를 찾으며, 장치 시뮬레이션이 현실을 테스트하는 폐쇄 루프(closed loop)에 있다고 제안합니다. 이 순환 과정은 가장 유망한 재료가 식별될 때까지 각 단계가 다음 단계를 정교화하며 반복될 수 있습니다. 리뷰는 이 과정이 태양 에너지 문제를 해결했다고 주장하는 것이 아니라, 명확한 앞길을 제시하는 것이라고 말합니다. 이러한 도구들 사이의 연결을 단순한 데이터 전송이 아닌 복잡한 공학적 과제로 다룸으로써, 과학자들은 잘못된 단서들을 피하고 진정으로 세상을 움직일 준비가 된 재료에 집중할 수 있습니다. 이 연구는 우리가 완벽한 태양전지를 설계할 도구를 갖추고 있지만, 먼저 과학의 서로 다른 척도 간에 동일한 언어로 말하는 법을 배워야 한다는 점을 확인시켜 줍니다.