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

기술 요약: 납 없는 Sn–Ge 페로브스카이트의 구조적 안정성 및 밴드갭 엔지니어링을 위한 물리 정보 기반 머신러닝

문제 제기
할라이드 페로브스카이트(ABX₃) 태양광 발전의 급격한 발전은 납(Pb²⁺)의 독성으로 인해 저해되어 왔으며, 이는 특히 높은 수용성과 엄격한 규제(예: REACH)를 고려할 때 심각한 환경적 및 건강상의 위험을 초car습니다. 주석(Sn²⁺)과 게르마늄(Ge²⁺)은 유사한 전자 구조를 제공하면서도 독성이 적은 유망한 대안이지만, 결정적인 불안정성 문제를 겪고 있습니다. 구체적으로, Sn²⁺는 Sn⁴⁺로 빠르게 산화되는 경향이 있어 격자 붕괴와 재료 퇴화를 초래합니다. 또한, Sn–Ge 혼합 양이온 시스템에서 화학적 양론적 비율을 최적화하기 위한 방대한 화학적 탐색 공간은 전통적인 수동 실험 스크리닝의 병목 현상을 야기하며, 이는 시간과 자원이 많이 소모되는 작업입니다.

방법론
본 연구는 납 없는 Sn–Ge 페로브스카이트의 구조적 안정성과 밴드 갭 최적화 사이의 트레이드오프를 체계적으로 매핑하기 위해 물리 정보 기반 머신러닝(Physics-Informed Machine Learning, PIML) 프레임워크를 구현합니다. 본 연구는 "블랙박스" 접근 방식에 의존하는 대신, 결정학적 원리를 머신러닝 아키텍처에 직접 통합합니다.

• 기술자(Descriptors): 모델은 배위 화학 및 격자 변형 이론에서 유도된 물리적으로 근거 있는 기술자인 **골드슈미트 허용 계수($t$)**와 **팔면체 계수($\mu$)**를 활용합니다. 이는 기하학적 제약을 정의하기 위해 섀넌 유효 이온 반경을 사용하여 계산됩니다.
• 데이터셋: Materials Project 데이터베이스에서 추출한 1,000개 이상의 납 없는 Sn–Ge 혼합 양이온 조성으로 구성된 큐레이션된 데이터셋을 생성했습니다. 데이터셋 구축은 Sn-풍부 상에서 Ge-풍부 상으로의 현실적인 격자 파라미터 전이를 보장하기 위해 베가드의 법칙(Vegard's Law)을 따랐습니다.
• 알고리즘: 이 데이터셋을 바탕으로 랜덤 포레스트 회귀 모델(500개의 결정 트리 앙상블)을 학습시켰습니다. 이 프레임워크는 밴드 갭과 안정성 윈도우를 예측하기 위해 화학적 다양성과 구조적 제약 사이의 균형을 맞춥니다.
• 검증: 모델의 성능은 물리 기반 분석 공식에 의해 검증되었으며, 보고된 실험 및 이론적 문헌 값과 벤치마킹되었습니다. 불확로성 정량화는 개별 결정 트리 간의 분산을 분석함으로써 수행되었습니다.

주요 결과

• 예측 정확도: PIML 모델은 높은 예측 충실도인 **결정 계수($R^2$ = 0.9624)**와 평균 절대 오차(MAE) 28.2 meV를 달 achievement했습니다. 특히, 이 오차 범위는 상온에서의 열 에너지($k_BT \approx 25.7$ meV)와 유사하며, 이는 모델이 과적합 없이 고유한 격자 역학을 포착하고 있음을 시사합니다.
• 안정성 윈도우 식별: 본 연구는 구조적 무결성과 최적의 광전자 특성을 모두 갖춘 특정 "신규 영역(Novelty Zone)" 또는 안정성 윈도우를 식별했습니다. 이 윈도우는 골드슈미트 허용 계수 범위 $0.88 \le t \le 0.94$에 해당합니다.
• 밴드 갭 엔지니어링: 모델은 Sn–Ge 합금화에 따른 비선형 밴드 갭 튜닝(bowing effect)을 성공적으로 매핑했습니다. 모델은 순수 CsSnI₃ (1.3 eV)와 CsGeI₃ (1.5–1.6 eV) 사이의 값에 위치하며, 태양광 응용 분야에 적합한 약 1.35 eV의 밴드 갭을 달성하는 안정적인 조성 범위를 식별했습니다.
• 특성 중요도: 분석 결과, **B-사이트 양이온 분율(Sn vs. Ge)**이 지배적인 기술자로서 모델 결정 가중치의 **65%**를 차지하며, 이는 프런티어 궤도와 밴드 엣지에 직접적인 영향을 미치는 것으로 나타났습니다. A-사이트 혼합(Cs vs. MA)은 주로 입체 장애와 화학적 압력을 통한 구조적 안정제로 작용합니다.
• 안정성 메커니즘: 연구는 Ge의 도입이 격자 내에 화학적 압력을 생성하여 팔면체 기울어짐을 억제하고 Sn²⁺의 산화를 감소시킨다는 점을 강조합니다. 또한, 적은 양의 Ge(10–20%)는 보호용 GeO₂ 패시베이션 층 형성을 촉진하여 수분 안정성을 높입니다.

의의 및 주장
본 논문은 차세대 페로브스카이트 태양광 발전을 위한 강력하고 독성이 없는 로드맵을 제공한다고 주장합니다. AI를 물리 법칙에 고정함으로써, 본 연구는 데이터 기반의 재료 가속화가 계산적 발견과 전자 소자 최적화 사이의 간극을 효과적으로 메울 수 있음을 입증합니다.

• 환경적 영향: 납을 Sn–Ge 대안으로 교체함으로써 **독성 지수(Toxicity Index)**와 CO₂ 발자국(납 기반 시스템 대비 총 환경 영향 점수에서 약 80% 감소로 추정)을 크게 줄일 수 있다고 주장합니다.
• 실험적 가이드: 식별된 안정성 윈도우는 시행착오 방식의 실험적 한계를 넘어, 고성능 납 없는 반도체 박막의 실험적 합성을 위한 직접적이고 재현 가능한 가이드를 제공합니다.
• 지속 가능성: 이러한 결과는 글로벌 지속 가능성 목표 및 2027 에너지 지침과 일치하며, 효율적이면서도 환경적으로 안전한 탄소 중립 태양광 기술을 향한 실행 가능한 경로를 제시합니다.

저자들은 이 프레임워크가 결정학적 제약을 머신러닝과 통합하여 안정성-효율성 제어를 분류하는 효용성을 검증하며, 재료 발견을 위한 과학적으로 정확하고 물리적으로 일관된 접근 방식을 제공한다고 강조합니다.