ML-guided screening of chalcogenide perovskites as solar energy materials

Dit artikel presenteert een volledig datagedreven en experimenteel onderbouwd screeningskader dat machine learning en een nieuwe tolerantiefactor gebruikt om stabiele en duurzame chalcogenide-perovskieten voor zonne-energie-toepassingen te identificeren en te rangschikken.

De kern

Titel: De Digitale Schatzoeker voor Zonnepanelen van de Toekomst

Stel je voor dat je een enorme bibliotheek binnenloopt, maar in plaats van boeken staan er miljarden verschillende recepten voor nieuwe materialen. De meeste recepten zijn onbruikbaar, sommige zijn gevaarlijk, en slechts een paar zijn de "heilige graal" voor de toekomst van zonne-energie.

Dit artikel is het verhaal van een team wetenschappers dat een slimme, digitale schatzoeker heeft gebouwd om die ene perfecte recepten te vinden. Ze zoeken specifiek naar een groep materialen genaamd chalcogenide-perovskieten.

Hier is hoe ze dat deden, vertaald naar alledaagse taal:

1. Het Probleem: Een Naald in een Hooiberg

Zonnepanelen van vandaag zijn goed, maar ze hebben een paar grote nadelen: ze bevatten giftige stoffen (zoals lood) of ze gaan snel kapot door regen en hitte. De wetenschappers hopen op een nieuw type materiaal dat veilig, duurzaam en super-efficiënt is.

Het probleem is dat er duizenden mogelijke combinaties van atomen zijn. Proberen ze allemaal één voor één in het lab te maken, zou honderden jaren duren en een fortuin kosten. Het is alsof je probeert de perfecte pizza te maken door elke mogelijke combinatie van ingrediënten (van aardbeien tot rubber) te proberen, zonder een recept.

2. De Oplossing: Een Slimme Filter (Machine Learning)

In plaats van blind te zoeken, hebben de auteurs een digitale filter gebouwd met behulp van kunstmatige intelligentie (AI). Ze hebben dit proces in vier stappen opgedeeld, alsof je een sollicitatieprocedure voor een heel specifieke baan hebt:

Stap 1: De "Paspoortcontrole" (De Nieuwe Tolerantie-factor)

Eerst kijken ze naar de grootte van de atomen. In de wereld van materialen moet je atomen precies in elkaar passen, net als stukjes in een legpuzzel.

• De oude manier: Ze gebruikten een oude regel (de Goldschmidt-factor) die vaak fouten maakte. Het was alsof je zegt: "Iedereen die groter is dan 1 meter mag binnen." Dat werkt niet goed, want dan komen er ook mensen binnen die te groot zijn voor de stoel.
• De nieuwe manier: Ze hebben een nieuwe, slimmere regel bedacht met een algoritme genaamd SISSO. Dit is als een slimme paspoortcontroleur die niet alleen naar de lengte kijkt, maar ook naar de verhouding tussen de benen en het hoofd. Deze nieuwe regel (genaamd $\tau^*$) is veel strenger en sluit direct 90% van de ongeschikte kandidaten uit.

Stap 2: De "Architect" (Kristalstructuur Voorspelling)

Nu ze een lijst hebben met mogelijke kandidaten, moeten ze weten of ze er ook echt mooi uitzien.

• Ze gebruiken een AI genaamd CrystaLLM. Dit is als een architect die alleen op basis van de naam van de materialen (bijv. "Barium-Zirkonium-Sulfide") een 3D-tekening maakt van hoe de atomen zich rangschikken.
• De AI checkt: "Zit het raamwerk stevig? Is het een echte 'perovskiet' (een specifieke, sterke structuur) of is het een rommelige hoop?"
• Hierdoor vallen er weer veel kandidaten af. Alleen degenen die er echt stabiel uitzien, komen door deze ronde.

Stap 3: De "Energie-Check" (Bandgap Schatting)

Een materiaal kan mooi en stabiel zijn, maar werkt het wel als zonnecel?

• Ze gebruiken een andere AI (CrabNet) om te voorspellen hoeveel licht het materiaal kan vangen. Dit noemen ze de "bandgap".
• Het is alsof je kijkt of een zonnebril het juiste tintje heeft: niet te donker (dan komt er geen licht door) en niet te licht (dan wordt het te heet). Ze zoeken naar het perfecte tintje voor zowel gewone zonnepanelen als voor de bovenste laag van dubbele panelen (tandem-cellen).

Stap 4: De "Realiteitscheck" (Duurzaamheid en Maakbaarheid)

Tot slot kijken ze naar de praktijk.

• Is het te maken? Ze gebruiken een AI die kijkt naar hoe vaak soortgelijke materialen al succesvol zijn gemaakt in labs. Als een materiaal er "raar" uitziet vergeleken met bekende materialen, krijgt het een lage score.
• Is het duurzaam? Ze kijken naar de "risico's" van de grondstoffen. Is het zeldzaam? Is de winning ervan slecht voor het milieu of de mensen? Ze gebruiken een score (Supply Risk) om te zien of we dit materiaal in de toekomst in grote hoeveelheden kunnen krijgen zonder de planeet te verwoesten.

3. De Resultaten: De Winnaars

Na deze strenge selectie bleven er ongeveer 30 tot 50 kandidaten over van de oorspronkelijke duizenden.

• De bekende kampioen: BaZrS3 (Barium-Zirkonium-Sulfide) komt bovenaan. Dit is al bekend, maar de AI bevestigt dat het een sterke kandidaat is, vooral voor de bovenste laag van tandem-zonnepanelen.
• De nieuwe sterren: Ze hebben ook materialen gevonden die nog nooit zijn gemaakt, zoals CuHfS3 (Koper-Hafnium-Sulfide) en verschillende combinaties met zeldzame aardmetalen. Deze zijn veelbelovend omdat ze goed presteren én relatief makkelijk te produceren lijken.

Waarom is dit belangrijk?

Dit onderzoek is niet zomaar een lijstje met namen. Het is een nieuwe manier van denken.
Stel je voor dat je vroeger een auto moest bouwen door te raden welke onderdelen bij elkaar pasten. Nu hebben we een simulator die duizenden auto's in een seconde ontwerpt, test op veiligheid, brandstofverbruik en kosten, en alleen de beste 10 stuks aanbeveelt om daadwerkelijk te bouwen.

Deze methode helpt wetenschappers om de "naald in de hooiberg" te vinden zonder jarenlang te zoeken. Het combineert de slimheid van computers met de realiteit van chemie, zodat we sneller kunnen komen tot zonnepanelen die goedkoper, veiliger en groener zijn.

Kortom: Ze hebben een digitale magneet gebruikt om de beste nieuwe materialen voor zonne-energie uit een zee van mogelijkheden te vissen, zodat we in de toekomst energie kunnen opwekken die goed is voor de aarde én voor onze portemonnee.

Technische samenvatting

Probleemstelling

Chalcogenide perovskieten (ABX₃, waarbij X = S, Se, Te) zijn veelbelovende absorbermaterialen voor de volgende generatie fotovoltaïsche apparaten vanwege hun intrinsieke structurele robuustheid, instelbare optoelektronische eigenschappen en afwezigheid van giftige elementen (zoals lood). Ondanks dit potentieel blijft de experimentele realisatie beperkt door:

1. Competerende fasen: De hoge thermodynamische stabiliteit van binaire en polysulfide fasen die de vorming van de perovskietfase belemmeren.
2. Synthetische uitdagingen: Veel materialen vereisen hoge temperaturen, wat schaalbaarheid en integratie in apparaten bemoeilijkt.
3. Beperkte voorspellende modellen: Klassieke geometrische beschrijvers, zoals de Goldschmidt-tolerantiefactor, falen vaak bij chalcogeniden vanwege het sterkere covalente karakter van metaal-chalcogeenbindingen vergeleken met oxide- of halide-analogen. Dit leidt tot een groot aantal "vals-positieve" voorspellingen (materialen die theoretisch stabiel lijken, maar experimenteel niet tot de perovskietfase kristalliseren).

Er is dus behoefte aan een gestructureerd, datagedreven raamwerk dat de kloof tussen theoretische voorspellingen en experimentele haalbaarheid overbrugt.

Methodologie

De auteurs presenteren een volledig datagedreven, experimenteel onderbouwde screening- en rangschikkingspipeline (zie Figuur 1 in het artikel). Deze pipeline bestaat uit vier opeenvolgende stappen:

1. Ontwikkeling van een nieuwe tolerantiefactor (SISSO):

   • In plaats van te vertrouwen op klassieke formules, werd een nieuwe analytische tolerantiefactor ($\tau^*$) afgeleid met behulp van het SISSO-algoritme (Sure Independence Screening and Sparsifying Operator).
   • Het model werd getraind op een samengestelde dataset van experimenteel gerapporteerde halide- en chalcogenideverbindingen.
   • De factor $\tau^*$ is een functie van ionenstralen ($r_A, r_B, r_X$) en bevat hogere-orde termen en logaritmische correcties die de asymmetrie tussen de A- en B-kationenplekken weerspiegelen.

2. Generatieve kristalstructuurvoorspelling (CrystaLLM):

   • Voor de verbindingen die voldoen aan het $\tau^*$-criterium, werden kristalstructuren gegenereerd met CrystaLLM, een groot taalmodel (LLM) dat is getraind op DFT-gebaseerde databases.
   • Dit model genereert CIF-bestanden (Crystallographic Information Files) puur op basis van de chemische formule.
   • Een cruciale filterstap was het onderscheiden van de ware perovskiettopologie (hoekdelende $BX_6$-oktaeders) van andere structuren (zoals randdelende oktaeders) binnen dezelfde ruimtegroep (voornamelijk Pnma).

3. Schatting van bandgaps (CrabNet):

   • De optische bandgaps van de geselecteerde kandidaten werden geschat met CrabNet, een deep-learningmodel dat eigenschappen voorspelt op basis van de chemische samenstelling zonder expliciete structurele input.
   • Het model is getraind op een uitgebreide dataset van halide-perovskieten, chalcogenide-halfgeleiders en chalcogenide-perovskieten.

4. Beoordeling van experimentele plausibiliteit en duurzaamheid:

   • Experimentele plausibiliteit: Een GCNN-model (Graph Convolutional Neural Network) werd gebruikt om een "Crystal-Likeness Score" (CLS) te berekenen. Deze score geeft de statistische waarschijnlijkheid aan dat een gegenereerde structuur experimenteel realiseerbaar is, gebaseerd op coördinatiepatronen.
   • Duurzaamheid: Er werden duurzaamheidsindicatoren berekend, waaronder het Herfindahl-Hirschman Index (HHI) voor marktkonsolidatie en ESG-scores (Environmental, Social, Governance) om het leveringsrisico (Supply Risk) te kwantificeren.

Belangrijkste Bijdragen

• Nieuwe Tolerantiefactor ($\tau^*$): De auteurs introduceren een nieuwe, SISSO-afgeleide tolerantiefactor die aanzienlijk beter presteert dan bestaande methoden (Goldschmidt, Jess, Bartel) bij het voorspellen van de stabiliteit van chalcogenide perovskieten.
• Geïntegreerde Pipeline: Voor het eerst wordt een workflow gepresenteerd die analytische beschrijvers, generatieve modellen (LLM), eigenschapsvoorspelling (CrabNet) en experimentele plausibiliteit (GCNN) combineert om een chemische ruimte systematisch te verkennen zonder zware DFT-berekeningen voor elke kandidaat.
• Meerobjectieve Rangschikking: De methode rangschikt materialen niet alleen op basis van optische eigenschappen, maar integreert ook duurzaamheids- en synthese-aspecten, wat essentieel is voor de praktische toepasbaarheid.

Resultaten

• Verbeterde Voorspellingsnauwkeurigheid: De nieuwe factor $\tau^*$ bereikte een nauwkeurigheid van 91,2% en een F1-score van 88,4% op de testset, wat significant hoger is dan de klassieke Goldschmidt-factor (55,1% F1-score). Vooral de precisie (95,0%) is verbeterd, wat betekent dat er veel minder vals-positieven zijn (minder onnodige synthese-inspanningen).
• Verkleining van de Chemische Ruimte:
  • Uit een initiële chemische ruimte van 1392 mogelijke ABX₃-samenstellingen selecteerde $\tau^*$ 181 kandidaten.
  • Na filtering met CrystaLLM (voor echte perovskiettopologie) bleven 54 kandidaten over.
  • Na toepassing van de CLS-filter (experimentele plausibiliteit) en uitsluiting van radioactieve elementen (Uranium), bleven ongeveer 30 hoogwaardige kandidaten over.
• Geselecteerde Materialen:
  • Bekende materialen zoals BaZrS₃ en BaHfS₃ werden correct geïdentificeerd als optimaal voor tandem-zonnecellen (met een bandgap rond 1,7–2,1 eV).
  • Nieuwe kandidaten met hoge potentie werden voorspeld, waaronder EuScS₃, LaTbS₃, CuHfS₃, CuZrSe₃ en EuYbSe₃.
  • Materialen met koper (Cu) en zeldzame aardmetalen tonen veelbelovende bandgaps en synthetische haalbaarheid.
• Bandgap Voorspelling: Het CrabNet-model leverde een gemiddelde absolute fout (MAE) van 248 meV op. De voorspelde bandgaps van de geselecteerde perovskieten liggen gemiddeld rond 1,86 eV, wat ideaal is voor de bovenste cel in tandemconfiguraties.

Betekenis en Conclusie

De studie demonstreert dat een combinatie van interpreteerbare analytische beschrijvers en geavanceerde machine learning-modellen effectief kan worden gebruikt om de ontdekking van nieuwe materialen te sturen in gebieden met schaarse data.

• Overbrugging van de Kloof: De workflow helpt de kloof te overbruggen tussen theoretische stabiliteit en experimentele realisatie door kinetische en structurele factoren (via GCNN en CrystaLLM) mee te nemen in de screening.
• Duurzaamheid: Door duurzaamheidsindicatoren vroeg in het proces te integreren, kunnen materialen worden geselecteerd die niet alleen efficiënt zijn, maar ook beschikbaar en ethisch verantwoord zijn voor grootschalige productie.
• Toekomstperspectief: De geïdentificeerde kandidaten (zoals Cu- en Eu-gebaseerde verbindingen) bieden concrete doelwitten voor experimentele validatie. De methode is overdraagbaar naar andere complexe materiaalsystemen waar data schaars is en de synthese uitdagend.

Kortom, dit werk levert een robuust, transparant en overdraagbaar raamwerk dat de zoektocht naar nieuwe, duurzame zonne-energiematerialen versnelt en verfijnt.