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

Resumo Técnico: Aprendizado de Máquina Informado pela Física para Estabilidade Estrutural e Engenharia de Bandgap em Perovskitas de Sn–Ge Livres de Chumbo

Declaração do Problema
O avanço rápido das fotovoltaicas de perovskita de haleto (ABX₃) tem sido dificultado pela toxicidade do chumbo (Pb²⁺), que apresenta riscos significativos à saúde e ao meio ambiente, particularmente dada a sua alta solubilidade em água e as rigorosas restrições regulatórias (ex: REACH). Embora o Estanho (Sn²⁺) e o Germânio (Ge²⁺) ofereçam alternativas promissoras e menos tóxicas com estruturas eletrônicas semelhantes, eles sofrem de problemas críticos de instabilidade. Especificamente, o Sn²⁺ é propenso à oxidação rápida para Sn⁴⁺, levando ao colapso da rede e à degradação do material. Além disso, o vasto espaço químico para a otimização de razões estequiométricas em sistemas de cátions mistos Sn–Ge cria um gargalo para a triagem experimental manual tradicional, que é lenta e consome muitos recursos.

Metodologia
Este estudo implementa uma estrutura de Aprendizado de Máquina Informado pela Física (PIML) para mapear sistematicamente o compromisso entre estabilidade estrutural e otimização de bandgap em perovskitas de Sn–Ge livres de chumbo. Em vez de depender de uma abordagem de "caixa-preta", a metodologia integra princípios cristalográficos fundamentais diretamente na arquitetura de aprendizado de máquina.

• Descritores: O modelo utiliza descritores fisicamente fundamentados derivados da química de coordenação e da teoria de deformação de rede, especificamente o fator de tolerância de Goldschmidt ($t$) e o fator octaédrico ($\mu$). Estes são calculados utilizando raios iônicos efetivos de Shannon para definir as restrições geométricas.
• Conjunto de Dados: Um conjunto de dados curado de mais de 1.000 composições de cátions mistos Sn–Ge livres de chumbo foi gerado, extraído do banco de dados Materials Project. A construção do conjunto de dados seguiu a Lei de Vegard para garantir transições realistas de parâmetros de rede de fases ricas em Sn para fases ricas em Ge.
• Algoritmo: Um modelo de regressão de Floresta Aleatória (Random Forest) (um ensemble de 500 árvores de decisão) foi treinado neste conjunto de dados. A estrutura equilibra a diversidade química contra as restrições estruturais para prever bandgaps e janelas de estabilidade.
• Validação: O desempenho do modelo foi validado contra fórmulas analíticas baseadas na física e comparado com valores de literatura experimental e teórica reportados. A quantificação de incerteza foi realizada através da análise da variância entre as árvores de decisão individuais.

Principais Resultados

• Precisão Preditiva: O modelo PIML alcançou uma alta fidelidade preditiva com um coeficiente de determinação ($R^2$ = 0,9624) e um Erro Absoluto Médio (MAE) de 28,2 meV. Notavelmente, essa margem de erro é comparável à energia térmica em temperatura ambiente ($k_BT \approx 25,7$ meV), sugerindo que o modelo captura a dinâmica intrínseca da rede sem overfitting.
• Identificação da Janela de Estabilidade: O estudo identificou uma "Zona de Novidade" específica ou janela de estabilidade onde as composições exibem integridade estrutural e propriedades optoeletrônicas ideais. Esta janela corresponde a uma faixa de fator de tolerância de Goldschmidt de $0,88 \le t \le 0,94$.
• Engenharia de Bandgap: O modelo mapeou com sucesso o ajuste não linear de bandgap (efeito de bowing) resultante da liga Sn–Ge. Identificou uma faixa de composição estável que atinge um bandgap de aproximadamente 1,35 eV, o qual é adequado para aplicações fotovoltaicas e situa-se entre os valores de CsSnI₃ puro (1,3 eV) e CsGeI₃ (1,5–1,6 eV).
• Importância das Características: A análise revelou que a fração de cátion no sítio B (Sn vs. Ge) é o descritor dominante, contribuindo com 65% para o peso de decisão do modelo, influenciando diretamente os orbitais de fronteira e as bordas de banda. A mistura no sítio A (Cs vs. MA) atua primariamente como um estabilizador estrutural através de impedimento estérico e pressão química.
• Mecanismos de Estabilidade: A pesquisa destaca que a introdução de Ge cria pressão química dentro da rede, o que suprime a inclinação octaédrica e reduz a oxidação de Sn²⁺. Adicionalmente, pequenas frações de Ge (10–20%) facilitam a formação de uma camada de passivação de GeO₂ protetora, aumentando a estabilidade à umidade.

Significância e Alegações
O artigo afirma fornecer um roteiro robusto e não tóxico para a próxima geração de fotovoltaicas de perovskita. Ao ancorar a IA em leis físicas, o estudo demonstra que a aceleração de materiais baseada em dados pode efetivamente preencher a lacuna entre a descoberta computacional e a otimização de dispositivos eletrônicos.

• Impacto Ambiental: O estudo afirma que a substituição do chumbo por alternativas de Sn–Ge reduz significativamente o Índice de Toxicidade e a pegada de CO₂ (estimada em uma redução de 80% no escore de impacto ambiental total em comparação com sistemas baseados em chumbo).
• Orientação Experimental: A janela de estabilidade identificada oferece um guia direto e reproduzível para a síntese experimental de filmes finos semicondutores de alto desempenho e livres de chumbo, indo além das limitações da experimentação de tentativa e erro.
• Sustentabilidade: As descobertas alinham-se com as metas globais de sustentabilidade e diretrizes de energia de 2027, oferecendo um caminho viável para tecnologias fotovoltaicas de carbono neutro que sejam simultaneamente eficientes e ambientalmente seguras.

Os autores enfatizam que este framework valida a eficácia da integração de restrições cristalográficas com aprendizado de máquina para classificar controles de estabilidade-eficiência, fornecendo uma abordagem cientificamente precisa e fisicamente consistente para a descoberta de materiais.