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

Zonne-energie heeft lang vertrouwd op silicium, een materiaal dat betrouwbaar maar duur is om te verfijnen en star om mee te werken. In de afgelopen jaren is een nieuwe klasse materialen bekend als perovskieten opgekomen als een krachtig alternatief. Dit zijn kristallen met een specifieke, zeer veelzijdige structuur die kunnen worden afgestemd om zonlicht zeer efficiënt te absorberen. Ze kunnen worden gemaakt tot dunne, flexibele films, en hun vermogen om licht in elektriciteit om te zetten is zo snel verbeterd dat ze nu de beste siliciumcellen evenaren. Dit potentieel gaat echter gepaard met een aanzienlijke hindernis. De chemische ruimte van deze materialen is enorm; door verschillende atomen in hun structuur te vervangen, kunnen wetenschappers miljoenen mogelijke variaties creëren. Het testen van elk van deze variaties in een laboratorium is onmogelijk, omdat het decennia zou duren en een fortuin zou kosten. Bovendien kan een materiaal dat perfect lijkt in een computermodel falen in een echt zonnepaneel door verborgen gebreken zoals instabiele atomen of ionen die rond bewegen binnen het kristal wanneer het wordt verhit.

Om dit op te lossen, wenden onderzoekers zich tot een nieuwe manier van werken die drie verschillende instrumenten combineert: kwantumfysische berekeningen, kunstmatige intelligentie en computersimulaties van zonnepanelen. Het doel is om een pijplijn te creëren die kan voorspellen welke chemische recepten zullen werken voordat er ook maar één druppel vloeistof in een laboratorium wordt gemengd. Deze aanpak vertrouwt niet op gokken. In plaats daarvan gebruikt het de wetten van de fysica om het materiaal op atomair niveau te begrijpen, gebruikt het machine learning om door miljarden mogelijkheden te scannen, en gebruikt het vervolgens device-modellering om te zien hoe die materialen zich daadwerkelijk als een energieopwekkende machine zouden gedragen. De uitdaging is altijd geweest om deze drie stappen met elkaar te verbinden. Een berekening die een enkel atoom beschrijft, kan niet simpelweg in een programma worden geplakt dat een heel zonnepaneel simuleert; de informatie moet zorgvuldig worden vertaald, anders zijn de resultaten betekenisloos.

Een recente review door Sameer Pandey brengt exact in kaart hoe men deze brug kan bouwen. Het artikel presenteert geen enkele nieuwe zonnecel, maar dient eerder als een cruciale gids over hoe men deze computationele methoden aan elkaar kan koppelen zodat ze samenwerken zonder de wetten van de fysica te schenden. De auteur voert aan dat hoewel we krachtige instrumenten hebben om de eigenschappen van individuele atomen te berekenen en krachtige instrumenten hebben om trends in grote datasets te voorspellen, we het overdragen van informatie tussen deze twee vaak behandelen als een eenvoudig "plug-and-play"-proces. Dit is een gevaarlijke oversimplificatie. De review legt uit dat de overgang van de microscopische wereld van atomen naar de macroscopische wereld van een zonnepaneel specifieke, fysisch onderbouwde stappen vereist. Je kunt niet zomaar een getal uit een kwantumcalculatie nemen en het direct in een zonnepaneel-simulator voeden. De eigenschappen moeten worden geïnterpreteerd en aangepast om te passen bij de grotere context van hoe elektriciteit daadwerkelijk door een apparaat stroomt.

Het artikel schetst een workflow die begint met dichtheidsfunctionaaltheorie, een methode die kwantummechanica gebruikt om de energieniveaus en stabiliteit van een specifieke kristalstructuur te berekenen. Dit levert de ruwe, hoogwaardige data, zoals hoe strak elektronen worden vastgehouden of hoe gemakkelijk het materiaal defecten vormt. Deze getallen worden vervolgens gebruikt om machine learning-modellen te trainen. Deze modellen zijn als studenten die de regels van de chemie leren van de kwantumdata. Eenmaal getraind, kunnen ze de eigenschappen van nieuwe, ongeteste materialen in een fractie van een seconde voorspellen, waarbij ze door enorme chemische ruimtes scannen die er met kwantumcalculaties alleen jaren aan zouden duren. De review benadrukt echter dat deze voorspellingen slechts de eerste stap zijn. De output van de machine learning moet worden vertaald naar de specifieke taal van de device-simulatie.

Device-simulatiesoftware, zoals SCAPS-1D, fungeert als een virtueel laboratorium voor zonnepanelen. Het neemt de materiaaleigenschappen en simuleert hoe licht en elektriciteit interageren binnen een gelaagde structuur. Hier benadrukt het artikel een cruciaal onderscheid. Een machine learning-model kan de "bandgap" van een materiaal voorspellen, wat het energiebereik is dat het absorbeert, en dit kan direct in de simulatie worden gebruikt. Maar andere eigenschappen, zoals hoe snel elektronen bewegen of hoeveel defecten er zijn, zijn niet altijd direct beschikbaar uit de machine learning-voorspelling. Ze vereisen vaak aanvullende fysieke aannames of experimentele gegevens om correct te worden gedefinieerd. De review waarschuwt dat als deze tussenstappen worden overgeslagen of slecht worden afgehandeld, de simulatie resultaten zal produceren die indrukwekkend lijken op een scherm, maar niets te maken hebben met de werkelijkheid. De auteur benadrukt dat de verbinding tussen de atomaire schaal en de device-schaal niet automatisch is; het vereist een bewuste, op fysica gebaseerde vertaling.

Om dit proces te illustreren, onderzoekt het artikel een specifiek voorbeeld: een loodvrije dubbele perovskiet genaamd Cs2AgBiBr6. Dit materiaal is van belang omdat het de toxiciteit van lood vermijdt, dat aanwezig is in de meest efficiënte perovskietcellen. De onderzoekers gebruikten kwantumcalculaties om de fundamentele eigenschappen van het materiaal te bepalen, zoals de energiekloof en hoe het reageert op elektrische velden. Deze waarden werden vervolgens in kaart gebracht in een device-simulatie om te zien hoe een zonnepaneel gemaakt van dit materiaal zou presteren. De simulatie toonde aan dat als het materiaal puur en vrij van defecten is, de theoretische efficiëntie boven de 11 procent kan uitkomen. De simulatie onthulde echter ook dat als het materiaal zelfs maar een klein aantal defecten bevat, de prestaties drastisch dalen. Dit bevinding onderstreept het belang van de workflow: het computermodel identificeerde dat het succes van het materiaal volledig afhangt van het laag houden van onzuiverheden, een detail dat zonder deze meerstapsanalyse mogelijk over het hoofd zou zijn gezien.

De review wijst ook op waar deze geïntegreerde aanpak momenteel tekortschiet. Een groot probleem is dat de data die worden gebruikt om de machine learning-modellen te trainen vaak afkomstig zijn van verschillende bronnen met verschillende methoden, wat kan leiden tot inconsistenties. Als de kwantumcalculaties niet gestandaardiseerd zijn, kan het machine learning-model de verkeerde patronen aanleren. Een ander nadeel is dat de meeste simulaties ervan uitgaan dat het materiaal statisch en perfect is, terwijl echte zonnepanelen in de loop van de tijd degraderen. Ionen binnen het kristal kunnen bewegen wanneer de zon schijnt, waardoor de eigenschappen van het materiaal veranderen. Huidige modellen worstelen met het vastleggen van dit dynamische gedrag, wat betekent dat ze een stabiele, hoogefficiënte cel kunnen voorspellen die in de echte wereld eigenlijk zou falen. De auteur stelt dat toekomstige vooruitgang afhangt van het creëren van betere standaarden voor data, het ontwikkelen van machine learning-modellen die de fysica van tijd en verandering begrijpen, en het bouwen van simulaties die rekening kunnen houden met deze bewegende delen.

Uiteindelijk dient het artikel als een routekaart voor een betrouwbaardere manier om nieuwe zonne-energiebronnen te ontdekken. Het suggereert dat de toekomst van perovskietonderzoek ligt in een gesloten lus waarin kwantumcalculaties de feiten leveren, machine learning de kandidaten vindt en device-simulaties de realiteit testen. Deze cyclus kan worden herhaald, waarbij elke stap de volgende verfijnt, totdat de meest veelbelovende materialen zijn geïdentificeerd. De review beweert niet dat dit proces het probleem van zonne-energie heeft opgelost, maar biedt een duidelijke weg voorwaarts. Door de verbinding tussen deze instrumenten te behandelen als een complexe technische uitdaging in plaats van een eenvoudige dataoverdracht, kunnen wetenschappers valse sporen vermijden en hun inspanningen richten op materialen die werkelijk klaar zijn om de wereld van stroom te voorzien. Het werk bevestigt dat hoewel we de middelen hebben om de perfecte zonnecel te ontwerpen, we eerst moeten leren om dezelfde taal te spreken over de verschillende wetenschappelijke schalen heen.