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

技术摘要：用于锡-锗（Sn–Ge）无铅钙钛矿结构稳定性与带隙工程的物理启发式机器学习研究

问题陈述
卤化物钙钛矿（ABX₃）光伏技术的快速发展一直受到铅（Pb²⁺）毒性的阻碍，由于其高水溶性和严格的监管限制（如 REACH），铅的存在带来了显著的环境与健康风险。虽然锡（Sn²⁺）和锗（Ge²⁺）具有相似的电子结构，是极具前景且毒性较低的替代品，但它们面临着关键的稳定性问题。具体而言，Sn²⁺ 极易氧化为 Sn⁴⁺，从而导致晶格坍塌和材料降解。此外，优化 Sn–Ge 混合阳离子体系中化学计量比的庞大化学搜索空间，为传统的纯人工实验筛选制造了瓶颈，这种方式不仅速度缓慢且资源密集。

方法论
本研究实施了一种**物理启发式机器学习（PIML）**框架，旨在系统性地映射 Sn–Ge 混合钙钛矿中结构稳定性与带隙优化之间的权衡关系。该方法并非依赖于“黑盒”模式，而是将基本的晶体学原理直接整合到机器学习架构中。

• 描述符： 模型利用源自配位化学和晶格应变理论的物理基础描述符，特别是金斯密托尔伦斯因子（Goldschmidt tolerance factor, $t$）和八面体因子（$\mu$）。这些因子通过使用香农有效离子半径进行计算，以定义几何约束。
• 数据集： 本研究构建了一个包含 1,000 多个无铅 Sn–Ge 混合阳离子成分的精选数据集，数据来源于 Materials Project 数据库。数据集的构建遵循维加德定律（Vegard's Law），以确保从富锡相到富锗相的晶格参数实现真实的过渡。
• 算法： 使用了随机森林回归模型（由 500 棵决策树组成的集成模型）对该数据集进行训练。该框架在平衡化学多样性与结构约束的同时，预测带隙与稳定性窗口。
• 验证： 模型性能通过与基于物理的解析公式进行对比，并针对已报道的实验及理论文献值进行了基准测试。通过分析单棵决策树之间的方差进行了不确定性量化。

关键结果

• 预测精度： PIML 模型实现了极高的预测保真度，其决定系数（$R^2$ = 0.9624），平均绝对误差（MAE）为 28.2 meV。值得注意的是，该误差幅度与室温下的热能（$k_BT \approx 25.7$ meV）相当，表明模型捕捉到了内在的晶格动力学而未出现过拟合。
• 稳定性窗口识别： 研究确定了一个特定的“新颖区”或稳定性窗口，在该区域内，成分同时表现出结构完整性和优异的光电性能。该窗口对应的金斯密托尔伦斯因子范围为 $0.88 \le t \le 0.94$。
• 带隙工程： 模型成功绘制了由 Sn–Ge 合金化引起的非线性带隙调控（弯曲效应/bowing effect）。它确定了一个实现约 1.35 eV 带隙的稳定成分范围，该数值适用于光伏应用，且介于纯 $\text{CsSnI}_3$（1.3 eV）与 $\text{CsGeI}_3$（1.5–1.6 eV）之间。
• 特征重要性： 分析显示，**B 位阳离子比例（Sn 与 Ge）**是主导描述符，贡献了 65% 的模型决策权重，直接影响前线轨道和能带边缘。A 位混合（Cs 与 MA）主要通过位阻效应和化学压力起到结构稳定器的作用。
• 稳定性机制： 研究强调，引入锗会在晶格内产生化学压力，从而抑制八面体倾斜并减少 $\text{Sn}^{2+}$ 的氧化。此外，少量的锗（10–20%）有助于形成一层保护性的 $\text{GeO}_2$ 钝化层，从而增强耐水性。

意义与主张
本文声称为下一代钙钛矿光伏技术提供了一条稳健、无毒的路线图。通过将人工智能锚定在物理定律之上，本研究证明了数据驱动的材料加速研究可以有效地弥合计算发现与电子器件优化之间的鸿沟。

• 环境影响： 研究断言，使用 Sn–Ge 替代品可以显著降低毒性指数和 $\text{CO}_2$ 足迹（估计比含铅体系的总环境影响评分降低了 80%）。
• 实验指导： 确定的稳定性窗口为高性能、无铅半导体薄膜的实验合成提供了直接且可重复的指南，超越了试错法的局限性。
• 可持续性： 研究结果符合全球可持续发展目标及 2027 年能源指令，为开发高效且环境安全的碳中和光伏技术提供了可行路径。

作者强调，该框架验证了将晶体学约束与机器学习相结合以分类稳定性-效率控制的有效性，为材料发现提供了一种科学准确且物理一致的方法。