Machine Learning-Accelerated Band-Edge Engineering of Pnictogen Chalcohalide Solid Solutions for Solar Energy Technologies
本研究结合机器学习与第一性原理计算，绘制了氮族元素硫卤化物固溶体在全成分范围及不同表面终止下的可调控带边位置图谱，识别了适用于各种太阳能应用的特定配方，并揭示了晶面选择是一个与化学取代相媲美的关键设计参数。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
对更优质太阳能和更清洁燃料的追求，往往引领科学家走向原子尺度，寻找能够捕捉阳光并将其转化为电能或化学能的材料。在这一探索的核心，是半导体——一类作为光与电流之间桥梁的特殊固体。对于一种材料要在此类角色中发挥作用，其内部能级必须恰到好处：它们需要被定位得当，以便当光线击中它们时，产生的电荷能够流出以做功，或推动化学反应向前发展。如果这些能级哪怕只有轻微偏差，材料可能只会吸收光线却无法释放能量，或者仅仅让电荷在被利用之前就相互抵消。寻找完美的材料就像是将收音机调频至特定的频道：信号必须清晰且强大，且频率必须与设备接收的需求完全匹配。
近年来，一类被称为“并五族硫卤化物”（pnictogen chalcohalides）的材料已成为这些任务中极具前景的候选者。这些化合物由地壳中常见的元素组成，无毒，且可以在相对较低的温度下进行加工，这使得它们在大型能源应用中极具吸引力。它们天然具有广泛的能隙（即最低能态与最高能态之间的距离），这种能隙可以通过改变其化学成分来进行调节。然而，这些材料不仅仅是简单的原子块；它们拥有独特的表面，就像晶体的不同面一样。即使内部物质相同，一个表面的电子行为也可能与另一个表面显著不同。这为研究人员制造了一个巨大的谜题：由于存在如此多的成分组合方式以及如此多的表面排列方式，通过实验室测试每一种可能性是不可能的。潜在的配方数量实在过于庞大，无法逐一进行探索。
为了解决这个问题，一个研究小组将计算机模拟的精确性与机器学习的速度结合在一起。他们专注于这类特定的材料，这些材料可以被视为一种固态混合物，其中的成分可以按任何比例进行互换。该团队利用功能强大的计算机，计算了大量此类混合物在两个最稳定表面上的精确能级。由于计算每一个可能的组合会耗时过长，他们训练了一个计算机程序来识别数据中的模式。这个人工智能模型学会了高精度地预测成千上万种未经测试的新型混合物的能级，从而有效地绘制出了整个可能性图谱，而无需实际制造出所有材料。
这种数字化的探索揭示了一种控制这些材料的强大新方法。研究人员发现，通过简单地改变成分比例，他们可以让能级移动超过1个电子伏特，这是一个显著的幅度，允许进行精确调节。更令人惊讶的是，他们发现表面本身就是一个主要的控制旋钮。即使对于完全相同的成分混合物，一个表面的能级与另一个表面相比也可以移动高达0.6个电子伏特。这意味着，在设计器件时，选择暴露哪一个晶面与选择化学配方同样重要。这两个表面虽然在稳定性上几乎相同，但在与光和电的相互作用方面表现得截然不同。
当研究人员将这些发现应用于现实世界应用时，差异变得清晰可见。对于通过分解水来生产氢燃料的任务，表面取向被证明至关重要。研究发现，只要使用了正确的成分比例，其中一种表面取向能够驱动分解水生成氢气和氧气的必要化学反应。而另一种表面取向，尽管由相同的材料制成，却无法跨越该反应所需的能量要求，从而导致其在该特定用途上失效。该研究确定了特定的元素组合，这些组合不仅可以驱动氢气的生产，还可以驱动氨、甲烷和过氧化氢的生成，从而根据材料的成分和表面绘制出一份基于燃料制造选项的“菜单”。
在太阳能电池领域，这些发现提供了既具警示性又具实用性的见解。研究人员测试了这些材料与用于收集电力的太阳能电池板中常用的接触层配合的效果。他们发现，虽然这些材料可以与某些层配合以收集正电荷，但它们无法使用同样的标准材料来正确匹配以收集负电荷。这表明，虽然这些新材料在吸收光线和产生电荷方面表现出色，但要构建完整的太阳能电池，需要寻找或设计一种专门用于收集负电荷的新型接触层。研究结论指出，这些材料为能源技术提供了一个高度灵活的平台，但其成功取决于对化学混合比例和暴露于环境中的特定表面的精心工程化设计。通过利用机器学习来驾驭这一复杂的空间，研究人员为如何利用这些材料实现更清洁的能源未来提供了清晰的路线图。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。