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

Technische Samenvatting: Physics-Informed Machine Learning voor Structurele Stabiliteit en Bandgap-engineering in Loodvrije Sn–Ge Perovskieten

Probleemstelling
De snelle vooruitgang van halide perovskiet-fotovoltaïca (ABX₃) wordt belemmerd door de toxiciteit van lood (Pb²⁺), wat aanzienlijke milieu- en gezondheidsrisico's met zich meebrengt, met name gezien de hoge wateroplosbaarheid en strikte regelgeving (bijv. REACH). Hoewel Tin (Sn²⁺) en Germanium (Ge²⁺) veelbelovende, minder toxische alternatieven bieden met vergelijkbare elektronische structuren, kampen zij met kritieke stabiliteitsproblemen. Specifiek is Sn²⁺ gevoelig voor snelle oxidatie naar Sn⁴⁺, wat leidt tot roosterinstorting en materiaaldegradatie. Bovendien creëert de enorme chemische zoekruimte voor het optimaliseren van stoichiometrische ratio's in Sn–Ge gemengde kation-systemen een knelpunt voor traditionele handmatige experimentele screening, wat traag en resource-intensief is.

Methodologie
Deze studie implementeert een Physics-Informed Machine Learning (PIML) framework om de afweging tussen structurele stabiliteit en bandgap-optimalisatie in loodvrije Sn–Ge perovskieten systematisch in kaart te brengen. In plaats van te vertrouwen op een "black-box"-benadering, integreert de methodologie fundamentele kristallografische principes direct in de machine learning-architectuur.

• Descriptors: Het model maakt gebruik van fysisch gefundeerde descriptors afgeleid van coördinatiechemie en roosterrektheorie, specifiek de Goldschmidt tolerantiefactor ($t$) en de octaëdrale factor ($\mu$). Deze worden berekend met behulp van Shannon effectieve ionstraal om geometrische beperkingen te definiëren.
• Dataset: Een gecureerde dataset van meer dan 1.000 loodvrije Sn–Ge gemengde kation-composities werd gegenereerd, afkomstig uit de Materials Project database. De constructie van de dataset volgde de Wet van Vegard om realistische roosterparameter-transities van Sn-rijke naar Ge-rijke fasen te waarborgen.
• Algoritme: Een Random Forest regressiemodel (een ensemble van 500 beslissingsbomen) werd getraind op deze dataset. Het framework balanceert chemische diversiteit tegen structurele beperkingen om bandgaps en stabiliteitsvensters te voorspellen.
• Validatie: De prestaties van het model werden gevalideerd tegenover physics-gebaseerde analytische formules en gespiegeld aan gerapporteerde experimentele en theoretische literatuurwaarden. Onzekerheidskwantificering werd uitgevoerd door de variantie tussen individuele beslissingsbomen te analyseren.

Belangrijkste Resultaten

• Voorspellende Nauwkeurigheid: Het PIML-model bereikte een hoge voorspellende getrouwheid met een determinatiecoëfficiënt ($R^2$ = 0,9624) en een Mean Absolute Error (MAE) van 28,2 meV. Opvallend genoeg is deze foutmarge vergelijkbaar met de thermische energie bij kamertemperatuur ($k_BT \approx 25,7$ meV), wat suggereert dat het model intrinsieke roosterdynamica vangt zonder overfitting.
• Identificatie van het Stabiliteitsvenster: De studie identificeerde een specifiek "Novelty Zone" of stabiliteitsvenster waar composities zowel structurele integriteit als optimale opto-elektronische eigenschappen vertonen. Dit venster komt overeen met een Goldschmidt tolerantiefactor bereik van $0,88 \le t \le 0,94$.
• Bandgap Engineering: Het model bracht succesvol de niet-lineaire bandgap-tuning (bowing effect) in kaart die voortkomt uit Sn–Ge legering. Het identificeerde een stabiel compositiebereik dat een bandgap van ongeveer 1,35 eV bereikt, wat geschikt is voor fotovoltaïsche toepassingen en tussen de waarden van zuiver CsSnI₃ (1,3 eV) en CsGeI₃ (1,5–1,6 eV) ligt.
• Feature Belang: Analyse toonde aan dat de B-site kationfractie (Sn vs. Ge) de dominante descriptor is, die bijdraagt aan 65% van het beslissingsgewicht van het model, wat de frontier orbitalen en bandranden direct beïnvloedt. De A-site mixing (Cs vs. MA) fungeert primair als structurele stabilisator door middel van sterische hindering en chemische druk.
• Stabiliteitsmechanismen: Het onderzoek benadrukt dat de introductie van Ge chemische druk binnen het rooster creëert, wat octaëdrische kanteling onderdrukt en de oxidatie van Sn²⁺ vermindert. Daarnaast faciliteren kleine Ge-fracties (10–20%) de vorming van een beschermende GeO₂-passivatielaag, wat de vochtstabiliteit verbetert.

Betekenis en Claims
Het artikel claimt een robuuste, niet-toxische roadmap te bieden voor de volgende generatie perovskiet-fotovoltaïca. Door AI te verankeren in natuurkundige wetten, demonstreert de studie dat data-gedreven materiaalsnelheid effectief de kloof kan overbruggen tussen computationele ontdekking en elektronische device-optimalisatie.

• Milieu-impact: De studie stelt dat het vervangen van lood door Sn–Ge alternatieven de Toxiciteitsindex en de CO₂-voetafdruk aanzienlijk vermindert (geschat op een reductie van 80% in de totale milieupunten vergeleken met loodgebaseerde systemen).
• Experimentele Richtsnoeren: Het geïdentificeerde stabiliteitsvenster biedt een directe, reproduceerbare gids voor de experimentele synthese van hoogwaardige, loodvrije halfgeleider dunne films, waarmee de beperkingen van trial-and-error experimentatie worden overstegen.
• Duurzaamheid: De bevindingen sluiten aan bij wereldwijde duurzaamheidsdoelstellingen en 2-energie-richtlijnen voor 2027, en bieden een levensvatbaar pad naar koolstofneutrale fotovoltaïsche technologieën die zowel efficiënt als milieuvriendelijk zijn.

De auteurs benadrukken dat dit framework de effectiviteit valideert van het integreren van kristallografische beperkingen met machine learning om stabiliteit-efficiëntie controles te classificeren, wat een wetenschappelijk nauwkeurige en fysisch consistente benadering van materiaalkundige ontdekking biedt.