Rapid Parameter Estimation from Photoluminescence Decays of Halide Perovskite Thin Films

技术摘要：卤化物钙钛矿薄膜光致发光衰减的快速参数估计

问题陈述
从卤化物钙钛矿太阳能电池的瞬态光致发光（tr-PL）数据中提取材料参数具有挑战性，因为实验观测值与材料参数（如缺陷密度、陷阱深度、捕获系数）之间的关系是由非线性微分方程组而非可逆的解析表达式所控制的。传统的拟合方法（如马尔可夫链蒙特卡洛采样，MCMC）需要重复求解这些耦合的速率方程，这导致了极高的计算成本（通常长达数小时），并且难以探索高维参数空间（>5维）。此外，这些方法往往难以处理参数简并问题，即多个不同的参数集可以产生同样优秀的拟合效果，从而难以量化不确定性或识别参数间的相关性。为了降低复杂度，有时会使用忽略脱陷（热发射）等物理过程的简化模型，但这些模型无法准确描述大多数钙钛矿薄膜中观察到的高度非指数动力学过程。

方法论
作者提出了一种结合贝叶斯推断与机器学习的工作流，旨在加速参数估计的同时保持完整的物理保真度。该方法的核心组成部分包括：

1. 物理模型： 研究采用了一个零维速率方程模型，该模型通过两个陷阱态（受体型）描述了肖克莱-里德-霍尔（SRH）复合以及辐射复合。至关重要的是，该模型包含了脱陷项，确保了捕获系数与发射系数之间的细致平衡。模型通过求解电子（$n$）、空穴（$p$）及被俘获载流子（$n_{t1}, n_{t2}$）浓度随时间的变化。
2. 数据表示： 实验 tr-PL 数据被转化为微分衰减时间（$\tau_{diff}$）对费米能级分裂（$\Delta E_F$）的曲线图。这种表示方式保留了载流子密度信息，并允许根据衰减斜率立即识别主要的复合路径（深陷阱与浅陷阱）。
3. 代理模型： 为了绕过在优化过程中求解微分方程带来的计算瓶颈，作者利用深度神经网络（NN）在超过 $10^4$（针对单陷阱）和 $2.6 \times 10^5$（针对双陷阱）组数值模拟数据集上进行训练。这些神经网络作为代理模型，将材料参数映射为 $\tau_{diff}$ 曲线，具有高保真度（$R^2 > 0.998$），并实现了快速评估（约 100 倍加速）。
4. 优化与推断：
   • 初始化： 利用从简化速率方程中推导出的解析近似值，生成具有物理启发性的优化器初始值，从而将衰减分类为浅陷阱主导或深陷阱主导。
   • 优化： 结合 NN 代理模型的协方差矩阵自适应进化策略（CMA-ES）算法能够快速识别最优拟合参数集。
   • 不确定性量化： 作者并未采用完整的 MCMC，而是在最优值附近进行局部切片网格搜索。这生成了显示条件后验概率密度和两两相关性的“角图”（corner plots）。似然函数综合考虑了测量噪声、数值优化以及模型误差（特别是 0D 模型中忽略载流子扩散的问题）。

关键结果

• 合成数据验证： 将该工作流应用于单浅陷阱的合成数据时，成功恢复了最优拟合参数。然而，分析揭示了显著的实际不可识别性：虽然优化器找到了解，但缺陷密度（$N_t$）和电子 SRH 寿命（$\tau_{SRH,n}$）的后验分布非常宽泛，跨越了多个数量级。这表明即使在没有噪声的情况下，多种参数组合也能重现相同的衰减曲线。
• 实验应用（85:15 薄膜）： 该方法被应用于经过 n-辛基铵碘处理的三阳离子钙钛矿薄膜（$Cs_{0.05}FA_{0.73}MA_{0.22}PbI_{2.56}Br_{0.44}$）。其衰减过程最好由两个浅陷阱来描述。该工作流在数十秒内实现了高保真拟合（$\epsilon_{rms} \approx 3.0 \times 10^{-2}$）。
• 参数相关性： 切片角图揭示了参数间的强相关性。例如，缺陷密度与 SRH 空穴寿命是耦合的，即可以通过调整寿命来补偿广泛的密度范围，从而保持相同的衰减形状。
• 稳态与瞬态对比： 作者证明，虽然高缺陷密度和低缺陷密度情景都能同样好地拟合瞬态数据，但它们预测了不同的稳态光致发光（ss-PL）行为。具体而言，陷阱密度与有效态密度之比（$N_t/n_1$）影响电中性条件（光掺杂或无光掺杂），从而导致费米能级分裂与激发强度之间存在截然不同的关系。包含 ss-PL 数据有助于约束参数空间，减少仅分析瞬态数据时存在的歧义。

意义与主张
论文声称为钙钛矿研究提供了一个稳健的快速贝叶斯参数估计框架。通过使用神经网络加速的遗传优化和局部网格搜索取代计算昂贵的 MCMC 采样，作者将不确定性量化的时间从数小时缩短至数十秒。这种速度使得分析高通量数据集成为可能，并有助于在不牺牲物理严谨性（即保留脱陷项）的前提下，探索复杂的高维参数空间。

作者强调，其方法不仅仅提供一个单一的“最优”参数值，而是量化了推断参数的置信度和局限性。他们指出，某些参数（如缺陷密度）的不可识别性是由于控制系统的微分方程在实验可观测范围内所固有的特性，而非拟合算法的失效。因此，该方法将重点从寻找唯一解转向理解数据兼容解的流形及其相关性。研究表明，包含稳态数据是打破仅靠瞬态数据分析时存在的简并现象的关键步骤。