Machine learning aided parameter analysis in Perovskite X-ray Detector

Resumo Técnico: Análise de Parâmetros Auxiliada por Aprendizado de Máquina em Detectores de Raios X de Perovskita

Definição do Problema
Detectores de raios X de perovskita apresentam uma promessa significativa para aplicações em diagnósticos médicos, segurança e testes não destrutivos devido aos seus altos coeficientes de absorção e band gaps ajustáveis. No entanto, a otimização do desempenho do dispositivo — especificamente sensibilidade, limite de detecção e corrente escura — é dificultada pela complexa interação de inúmeras propriedades intrínsecas do material. Fatores como parâmetros de rede cristalina, dinâmica de portadores, densidade de armadilhas e composição atômica criam um sistema não linear onde as relações específicas que regem o desempenho permanecem amplamente desconhecidas. Abordagens tradicionais de tentativa e erro têm dificuldade em navegar neste espaço de parâmetros de alta dimensão, particularmente quando o objetivo é alcançar simultaneamente alta sensibilidade e baixas densidades de corrente escura abaixo de 1 nA cm⁻².

Metodologia
Este estudo utiliza uma estrutura de aprendizado de máquina (ML) para decodificar as relações entre 15 propriedades intrínsecas de materiais de perovskita de haleto e quatro métricas principais de desempenho do dispositivo: band gap ($E_g$), produto mobilidade-tempo de vida ($\mu\tau$), sensibilidade e limite de detecção.

1. Construção do Banco de Dados: Um banco de dados abrangente foi compilado a partir de 136 artigos de pesquisa existentes e um novo conjunto de dados experimentais, totalizando 137 amostras. Cada amostra inclui 23 características, incluindo números atômicos ($Z_A, Z_B, Z_X$), constantes de rede ($a, b, c$), ângulos de rede e várias propriedades eletrônicas. Valores ausentes foram estimados com base em dados de literatura comparável, com um peso reduzido aplicado a essas amostras estimadas durante o treinamento para mitigar erros potenciais.
2. Treinamento do Modelo: Cinco algoritmos de regressão foram treinados no conjunto de dados normalizado para prever as métricas de desempenho alvo: Regressão Linear Multivariável (MLR), Regressão de Floresta Aleatória (RFR), eXtreme Gradient Boosting (XGBoost), Regressão de Vetor de Suporte (SVR) e Regressor de Programação Simbólica Genética (GPSR).
3. Análise de Características: A importância das características foi classificada usando a importância por permutação para identificar quais parâmetros intrínsecos influenciam mais significativamente as variáveis alvo.
4. Validação Experimental: Para verificar as previsões de ML em um cenário do mundo real, uma nova perovskita à base de chumbo de baixa dimensão, (m-F-PEA)₂PbI₄, foi sintetizada via cristalização por resfriamento de temperatura. Um detector de raios X de monocristal foi fabricado e caracterizado para comparar os resultados experimentais com as previsões do modelo.

Principais Resultados

• Desempenho do Modelo: O modelo de Regressão de Floresta Aleatória (RFR) demonstrou o desempenho mais robusto, particularmente para a previsão do band gap ($E_g$), alcançando um $R^2$ de teste de 0,80. No entanto, os modelos mostraram menor precisão preditiva para $\mu\tau$, sensibilidade e limite de detecção (valores de $R^2$ de teste variando de 0,02 a 0,17), sugerindo que o conjunto de características atual pode não capturar totalmente os preditores necessários para esses alvos complexos.
• Importância das Características:
  • Band Gap ($E_g$): O número atômico do metal do sítio-B ($Z_B$) foi identificado como o fator mais crítico que influencia o band gap. Isso se alinha aos princípios físicos onde os elementos do sítio-B (ex: Pb, Bi ou moléculas orgânicas) determinam diretamente a estrutura eletrônica. Uma fórmula de regressão simbólica derivada de GPSR, $E_g = \log(Z_B \times Z_X) + \sqrt{Z_B}$, confirmou ainda mais a dominância dos números atômicos dos sítios B e X, enquanto indicou que o sítio-A tem impacto direto desprezível na estrutura de bandas.
  • Produto Mobilidade-Tempo de Vida ($\mu\tau$): Descobriu-se que o parâmetro de comprimento de rede $b$ tem o maior impacto no $\mu\tau$. Variações neste parâmetro de rede influenciam a curvatura da banda, a massa efetiva e a densidade de defeitos, afetando assim o transporte de portadores.
• Verificação Experimental: O monocristal (m-F-PEA)₂PbI₄ sintetizado exibiu um band gap de 2,29 eV, aproximando-se da previsão do RFR de 2,23 eV. O dispositivo demonstrou uma sensibilidade de 1033,7 µC Gy⁻¹ cm⁻² e um limite de detecção de 1,41 µGy s⁻¹. Embora tenha havido pequenos desvios nos valores previstos para sensibilidade e limite de detecção, os resultados experimentais validaram a aplicabilidade geral da abordagem de ML. O dispositivo também exibiu excelente estabilidade, com baixo desvio de corrente escura e alta repetibilidade ao longo de 1254 ciclos.

Significância e Alegações
Os autores afirmam que este trabalho fornece um passo fundamental para o design de detectores de raios X de perovskita orientado por dados. Ao construir um banco de dados de código aberto e aplicar ML, o estudo identificou com sucesso que o número atômico do sítio-B é o determinante primário do band gap e que o parâmetro de rede $b$ é crucial para as propriedades de transporte de portadores.

O artigo conclui modestamente que, embora os modelos de ML, particularmente o RFR, mostrem promessa na identificação de descritores de materiais chave, a precisão preditiva para métricas de desempenho complexas como sensibilidade e limite de detecção requer mais refinamento. Os autores sugerem que trabalhos futuros devem focar na expansão do conjunto de características e na melhoria da qualidade dos dados para aumentar a generalização do modelo. Eles recomendam explicitamente a utilização contínua da Regressão de Floresta Aleatória para analisar aplicações de detectores de raios X de perovskita devido à sua capacidade de lidar com relações não lineares e valores discrepantes inerentes aos dados experimentais. O estudo não afirma ter resolvido inteiramente o desafio da corrente escura, mas destaca a utilidade do ML em restringir os parâmetros críticos para a otimização de materiais.