Machine learning aided parameter analysis in Perovskite X-ray Detector

Technische Samenvatting: Machine Learning-ondersteunde Parameteranalyse in Perovskiet Röntgendetectoren

Probleemstelling
Perovskiet röntgendetectoren bieden veelbelovende mogelijkheden voor toepassingen in medische diagnostiek, beveiliging en niet-destructief onderzoek vanwege hun hoge absorptiecoëfficiënten en aanpasbare bandgap. Het optimaliseren van de prestaties van het apparaat—met name gevoeligheid, detectielimiet en donkerstroom—wordt echter bemoeilijkt door de complexe interactie van talrijke intrinsieke materiaaleigenschappen. Factoren zoals kristalroosterparameters, ladingsdragerdynamica, valdensiteit en atomaire samenstelling creëren een niet-lineair systeem waarbij de specifieke relaties die de prestaties bepalen grotendeels onbekend blijven. Traditionele trial-and-error-benaderingen hebben moeite om door deze hoogdimensionale parameterruimte te navigeren, vooral wanneer wordt gestreefd naar het gelijktijdig bereiken van een hoge gevoeligheid en lage donkerstroomdichtheden onder de 1 nA cm⁻².

Methodologie
Deze studie maakt gebruik van een machine learning (ML) framework om de relaties tussen 15 intrinsieke eigenschappen van halide perovskietmaterialen en vier belangrijke prestatieparameters van het apparaat te ontcijferen: bandgap ($E_g$), ladingsdrager-mobiliteit-levensduur product ($\mu\tau$), gevoeligheid en detectielimiet.

1. Databaseconstructie: Een uitgebreide database werd samengesteld uit 136 bestaande wetenschappelijke artikelen en één nieuwe experimentele dataset, wat in totaal 137 monsters oplevert. Elk monster bevat 23 kenmerken, waaronder atoomnummers ($Z_A, Z_B, Z_X$), roosterconstanten ($a, b, c$), roosterhoeken en diverse elektronische eigenschappen. Ontbrekende waarden werden geschat op basis van vergelijkbare literatuurgegevens, waarbij een verminderd gewicht werd toegekend aan deze geschatte monsters tijdens de training om potentiële fouten te beperken.
2. Modeltraining: Vijf regressiealgoritmen werden getraind op de genormaliseerde dataset om de doelprestatieparameters te voorspellen: Multivariabele Lineaire Regressie (MLR), Random Forest Regressie (RFR), eXtreme Gradient Boosting (XGBoost), Support Vector Regressie (SVR) en Genetic Programming Symbolic Regressor (GPSR).
3. Kenmerkenanalyse: De belangrijkheid van kenmerken werd gerangschikt met behulp van permutatie-importantie om te identificeren welke intrinsieke parameters de doelvariabelen het meest significant beïnvloeden.
4. Experimentele Validatie: Om de ML-voorspellingen in een real-world setting te verifiëren, werd een nieuwe laag-dimensionale loodhoudende perovskiet, (m-F-PEA)₂PbI₄, gesynthetiseerd via temperatuurkoeling-kristallisatie. Een enkelkristallijne röntgendetector werd vervaardigd en gekarakteriseerd om de experimentele resultaten te vergelijken met de modelvoorspellingen.

Belangrijkste Resultaten

• Modelprestaties: Het Random Forest Regressie (RFR) model vertoonde de meest robuuste prestaties, met name bij het voorspellen van de bandgap ($E_g$), waarbij een test-$R^2$ van 0,80 werd behaald. De modellen vertoonden echter een lagere voorspellende nauwkeurigheid voor $\mu\tau$, gevoeligheid en detectielimiet (test-$R^2$-waarden variërend van 0,02 tot 0,17), wat suggereert dat de huidige set kenmerken mogelijk niet alle noodzakelijke voorspellers voor deze complexe doelstellingen volledig bevat.
• Kenmerkbelang:
  • Bandgap ($E_g$): Het atoomnummer van het metaal op de B-positie ($Z_B$) werd geïdentificeerd als de meest kritische factor die de bandgap beïnvloedt. Dit komt overeen met fysische principes waarbij elementen op de B-positie (bijv. Pb, Bi of organische moleculen) direct de elektronische structuur bepalen. Een symbolische regressieformule afgeleid van GPSR, $E_g = \log(Z_B \times Z_X) + \sqrt{Z_B}$, bevestigde verder de dominantie van de atoomnummers op de B- en X-posities, terwijl het aangaf dat de A-positie een verwaarloosbare directe impact heeft op de bandstructuur.
  • Mobiliteit-Levensduur Product ($\mu\tau$): De roosterlengteparameter $b$ bleek de grootste impact te hebben op $\mu\tau$. Variaties in deze roosterparameter beïnvloeden de kromming van de banden, de effectieve massa en de defectdensiteit, waardoor het ladingsdragersvervoer wordt beïnvloed.
• Experimentele Verificatie: Het gesynthetiseerde (m-F-PEA)₂PbI₄ enkelkristal vertoonde een bandgap van 2,29 eV, wat nauw aansluit bij de RFR-voorspelling van 2,23 eV. Het apparaat vertoonde een gevoeligheid van 1033,7 µC Gy⁻¹ cm⁻² en een detectielimiet van 1,41 µGy s⁻¹. Hoewel er lichte afwijkingen waren in de voorspelde waarden voor gevoeligheid en detectielimiet, valideerden de experimentele resultaten de algemene toepasbaarheid van de ML-aanpak. Het apparaat vertoonde ook een uitstekende stabiliteit, met een lage drift van de donkerstroom en een hoge herhaalbaarheid over 1254 cycli.

Betekenis en Claims
De auteurs stellen dat dit werk een fundamentele stap vormt naar datagestuurd ontwerp van perovskiet röntgendetectoren. Door een open-source database op te bouwen en ML toe te passen, heeft de studie succesvol geïdentificeerd dat het atoomnummer op de B-positie de primaire determinant is van de bandgap en dat de roosterparameter $b$ cruciaal is voor de eigenschappen van het ladingsdragersvervoer.

Het artikel concludeert bescheiden dat hoewel ML-modellen, met name RFR, veelbelovend zijn bij het identificeren van belangrijke materialedescriptoren, de voorspellende nauwkeurigheid voor complexe prestatieparameters zoals gevoeligheid en detectielimiet verdere verfijning vereist. De auteurs suggereren dat toekomstig werk zich moet richten op het uitbreiden van de set kenmerken en het verbeteren van de datakwaliteit om de generaliseerbaarheid van het model te vergroten. Zij bevelen expliciet het voortgezette gebruik van Random Forest Regressie aan voor het analyseren van perovskiet röntgendetector-toepassingen vanwege de capaciteit om om te gaan met niet-lineaire relaties en uitschieters die inherent zijn aan experimentele data. De studie claimt niet het probleem van de donkerstroom volledig te hebben opgelost, maar benadrukt de bruikbaarheid van ML bij het verfijnen van de kritieke parameters voor materiaaloptimalisatie.