Machine learning aided parameter analysis in Perovskite X-ray Detector

技术摘要：机器学习辅助的钙钛矿 X 射线探测器参数分析

问题陈述
由于具有高吸收系数和可调带隙，钙钛矿 X 射线探测器在医学诊断、安全检查和无损检测领域具有巨大的应用前景。然而，由于众多内在材料属性之间复杂的相互作用，优化器件性能（特别是灵敏度、检测限和暗电流）受到了阻碍。诸如晶格参数、载流子动力学、陷阱密度和原子组成等因素构成了一个非线性系统，其中支配性能的具体关系在很大程度上仍是未知的。传统的试错法难以在如此高维的参数空间中进行探索，尤其是在旨在同时实现高灵敏度和低于 1 nA cm⁻² 的低暗电流密度时。

研究方法
本研究采用机器学习 (ML) 框架，旨在解码 15 种卤化物钙钛矿材料的内在属性与四项关键器件性能指标之间的关系：带隙 ($E_g$)、载流子迁移率-寿命乘积 ($\mu\tau$)、灵敏度和检测限。

1. 数据库构建： 从 136 篇现有研究论文和一份新的实验数据集（共计 137 个样本）中编制了一个综合数据库。每个样本包含 23 个特征，包括原子序数 ($Z_A, Z_B, Z_X$)、晶格常数 ($a, b, c$)、晶格角度以及各种电子特性。缺失值基于可比文献数据进行估算，并在训练过程中对这些估算样本应用了较低的权重，以减轻潜在误差的影响。
2. 模型训练： 在归一化后的数据集上训练了五种回归算法，用于预测目标性能指标：多元线性回归 (MLR)、随机森林回归 (RFR)、极端梯度提升 (XGBoost)、支持向量回归 (SVR) 和遗传编程符号回归器 (GPSR)。
3. 特征分析： 使用排列重要性 (permutation importance) 对特征重要性进行排序，以识别哪些内在参数对目标变量的影响最为显著。
4. 实验验证： 为了在现实场景中验证机器学习预测，通过降温结晶法合成了一种新型低维铅基钙钛矿 (m-F-PEA)₂PbI₄。随后制备并表征了一款单晶 X 射线探测器，将实验结果与模型预测进行对比。

主要结果

• 模型性能： 随机森林回归 (RFR) 模型表现出最稳健的性能，特别是在预测带隙 ($E_g$) 方面，测试 $R^2$ 达到了 0.80。然而，模型在预测 $\mu\tau$、灵敏度和检测限方面的准确度较低（测试 $R^2$ 值在 0.02 到 0.17 之间），这表明当前的特征集可能未能完全捕捉到这些复杂目标的必要预测因子。
• 特征重要性：
  • 带隙 ($E_g$)： B 位金属的原子序数 ($Z_B$) 被确定为影响带隙的最关键因素。这符合物理原理，即 B 位元素（如 Pb、Bi 或有机分子）直接决定了电子结构。由 GPSR 推导出的符号回归公式 $E_g = \log(Z_B \times Z_X) + \sqrt{Z_B}$ 进一步证实了 B 位和 X 位原子序数的支配地位，同时也表明 A 位对能带结构没有显著的直接影响。
  • 迁移率-寿命乘积 ($\mu\tau$)： 研究发现晶格长度参数 $b$ 对 $\mu\tau$ 的影响最大。该晶格参数的变化会影响能带曲率、有效质量和缺陷密度，从而影响载流子传输。
• 实验验证： 合成的 (m-F-PEA)₂PbI₄ 单晶表现出 2.29 eV 的带隙，与 RFR 预测的 2.23 eV 非常接近。该器件表现出 1033.7 µC Gy⁻¹ cm⁻² 的灵敏度和 1.41 µGy s⁻¹ 的检测限。尽管在灵敏度和检测限的预测值上存在轻微偏差，但实验结果验证了机器学习方法的普遍适用性。此外，该器件表现出优异的稳定性，在 1254 次循环中具有较低的暗电流漂移和高重复性。

意义与主张
作者断言，这项工作为钙钛矿 X 射线探测器的数据驱动设计提供了基础性的一步。通过构建开源数据库并应用机器学习，本研究成功识别出 B 位原子序数是带隙的主要决定因素，且晶格参数 $b$ 对载流子传输特性至关重要。

论文谦逊地总结道，虽然机器学习模型（尤其是 RFR）在识别关键材料描述符方面展现出了潜力，但对于灵敏度和检测限等复杂性能指标的预测准确性仍需进一步完善。作者建议，未来的工作应侧重于扩展特征集并提高数据质量，以增强模型的泛化能力。他们明确建议继续利用随机森林回归来分析钙钛矿 X 射线探测器应用，因为该算法能够处理实验数据中固有的非线性关系和异常值。本研究并不声称已完全解决了暗电流挑战，而是强调了机器学习在缩小材料优化关键参数范围方面的实用价值。