Integrating Density Functional Theory, Machine Learning, and Device Simulation for Perovskite Photovoltaics: A Review

长期以来，太阳能一直依赖于硅，这是一种可靠但提纯成本高昂且性质僵硬的材料。近年来，一类被称为钙钛矿的新型材料作为一种强有力的替代方案脱颖而出。这些是具有特定且高度多变结构的晶体，可以通过调整来极高效地吸收阳光。它们可以制成薄而柔性的薄膜，且其将光转化为电能的能力提升得非常迅速，目前已足以媲美最先进的硅电池。然而，这种潜力伴随着一个显著的障碍。这些材料的化学空间极其广阔；通过在结构中替换不同的原子，科学家可以创造出数百万种可能的变体。在实验室中测试每一种是不可能的，因为那将耗费数十年的时间并花费巨资。此外，一种在计算机模型中看起来完美的材料，可能会因为隐藏的缺陷（如加热时在晶体内部移动的不稳定原子或离子）而在真实的太阳能电池板中失效。

为了解决这个问题，研究人员正转向一种结合了三种不同工具的新工作方式：量子物理计算、人工智能和太阳能电池板计算机模拟。目标是创建一个能够预测哪些化学配方在实验室混合出第一滴液体之前就能奏效的流程。这种方法并不依赖于猜测。相反，它利用物理定律在原子层面理解材料，利用机器学习扫描数十亿种可能性，然后利用器件建模来观察这些材料作为发电机器的实际表现。挑战始终在于如何连接这三个步骤。一个描述单个原子的计算不能简单地粘贴到模拟整个太阳能电池板的程序中；信息必须经过仔细的转换，否则结果将毫无意义。

Sameer Pandey 最近的一篇综述详细描绘了如何构建这座桥梁。该论文并未提出单一的新型太阳能电池，而是提供了一份关于如何将这些计算方法联系起来，使其在不违背物理定律的情况下协同工作的关键指南。作者指出，虽然我们拥有强大的工具来计算单个原子的性质，也拥有强大的工具来预测大型数据集中的趋势，但我们经常将两者之间信息的传递视为一个简单的“即插即用”过程。这是一种危险的过度简化。综述解释说，从微观的原子世界向宏观的太阳能电池板世界过渡需要特定的、基于物理学的步骤。你不能直接将量子计算中的一个数值输入到太阳能电池模拟器中。这些性质必须经过解释和调整，以适应电流如何在器件中实际流动的更大背景。

该论文概述了一个工作流程，该流程始于密度泛函理论——这是一种利用量子力学来计算特定晶体结构的能量水平和稳定性的方法。这提供了高保真度的原始数据，例如电子被束缚得有多紧，或者材料形成缺陷的难易程度。这些数据随后被用于训练机器学习模型。这些模型就像是从量子数据中学习化学规则的学生。一旦训练完成，它们可以在几分之一秒内预测新的、未经测试的材料属性，从而扫描那些仅靠量子计算就需要数年才能探索的广阔化学空间。然而，综述强调，这些预测只是第一步。机器学习的输出必须转化为器件模拟的特定语言。

器件模拟软件（如 SCAPS-1D）充当了太阳能电池板的虚拟实验室。它获取材料属性，并模拟光与层状结构内的电是如何相互作用的。在此，论文强调了一个关键区别。机器学习模型可能会预测一种材料的“带隙”（即它吸收的能量范围），这可以直接用于模拟。但其他属性，比如电子移动的速度或缺陷的数量，并不总是能直接从机器学习预测中获得。它们通常需要额外的物理假设或实验数据才能被正确定义。综述警告说，如果跳过这些中间步骤或处理不当，模拟结果虽然在屏幕上看起来令人印象深刻，但却与现实毫无关系。作者强调，原子尺度与器件尺度之间的连接不是自动的；它需要一种刻意的、基于物理学的转换。

为了说明这一过程，论文研究了一个具体的例子：一种名为 Cs2AgBiBr6 的无铅双钙钛矿。这种材料之所以受到关注，是因为它避免了高效钙钛矿电池中存在的铅毒性。研究人员使用量子计算来确定该材料的基本属性，例如其能隙以及它对电场的反应。这些数值随后被映射到器件模拟中，以观察由这种材料制成的太阳能电池板的表现如何。模拟显示，如果材料纯净且无缺陷，其理论效率可以超过 11%。然而，模拟也揭示了，如果材料中即使存在少量的缺陷，性能也会大幅下降。这一发现强调了该工作流程的重要性：计算机模型识别出，该材料的成功完全取决于保持低杂质水平，而这是一个如果没有经过这种多步骤分析可能会被忽略的细节。

该综述还指出了这种集成方法目前存在的不足。一个主要问题是，用于训练机器学习模型的数据往往来自不同的来源并使用不同的方法，这可能导致不一致性。如果量子计算不进行标准化，机器学习模型可能会学习到错误的模式。另一个局限性是，大多数模拟假设材料是静态且完美的，而现实中的太阳能电池会随时间发生退化。晶体内部的离子会在阳光照射时移动，从而改变材料的性质。目前的模型难以捕捉这种动态行为，这意味着它们可能会预测出一个高效且稳定的电池，但该电池在现实世界中实际上会失效。作者认为，未来的进展取决于建立更好的数据标准，开发能够理解物理时间与变化的机器学习模型，以及构建能够解释这些移动部件的模拟系统。

最终，这篇论文为寻找新的太阳能材料提供了一条更可靠的路径图。它表明，钙钛矿研究的未来在于一个闭环：量子计算提供事实，机器学习寻找候选者，而器件模拟测试现实。这个循环可以不断重复，每一步都在完善下一步，直到识别出最具潜力的材料。综述并未声称这一过程已经解决了太阳能问题，但它提供了一条清晰的前行之路。通过将这些工具之间的连接视为一项复杂的工程挑战而非简单的资料传输，科学家们可以避免误导，并将精力集中在真正准备好为世界供电的材料上。这项工作证实，虽然我们拥有设计完美太阳能电池的工具，但我们必须首先学会如何在不同的科学尺度之间使用同一种语言。