机器学习加速太阳能电池钙钛矿的发现

洛桑联邦理工学院 (EPFL) 的一个研究项目开发了一种基于机器学习的方法，可以快速准确地搜索大型数据库，从而发现了 14 种用于太阳能电池的新材料。

随着我们将太阳能融入日常生活，寻找能够有效将阳光转化为电能的材料变得非常重要。虽然迄今为止硅一直是太阳能技术的主导，但钙钛矿材料也因其成本较低、制造工艺更简单而逐渐受到人们的青睐。

然而，挑战在于找到具有正确“带隙”的钙钛矿：特定的能量范围决定了材料吸收阳光并将其转化为电能而不以热量形式损失的效率。

现在，由王海源和阿尔弗雷多·帕斯夸雷洛领导的洛桑联邦理工学院研究项目与上海和新鲁汶的合作者共同开发了一种将先进计算技术与机器学习相结合的方法，以寻找用于光伏应用的最佳钙钛矿材料。这种方法可能会带来更高效、更便宜的太阳能电池板，从而改变太阳能行业标准。

该论文发表在《美国化学会志》上。

研究人员首先开发了 246 种钙钛矿材料的全面且高质量的带隙值数据集。该数据集是使用基于混合泛函的高级计算构建的，混合泛函是一种复杂的计算类型，包括电子交换，并改进了更传统的密度泛函理论 (DFT)。 DFT 是一种量子力学建模方法，用于研究原子和分子等多体系统的电子结构。

使用的混合泛函是“介电相关的”，这意味着他们将材料的电子极化特性纳入计算中。与标准 DFT 相比，这显着提高了带隙预测的准确性，这对于钙钛矿等材料尤其重要，因为电子相互作用和极化效应对其电子性能至关重要。

由此产生的数据集为识别具有最佳电子特性的钙钛矿材料提供了坚实的基础，适用于光伏等应用，其中对带隙值的精确控制对于最大化效率至关重要。

然后，该团队使用带隙计算开发了一个在 246 种钙钛矿上训练的机器学习模型，并将其应用到包含约 15,000 种太阳能电池候选材料的数据库中，根据预测的能带将搜索范围缩小到最有前途的钙钛矿差距和稳定性。该模型确定了 14 种全新的钙钛矿，它们都具有带隙和足够高的能量稳定性，使其成为高效太阳能电池的优秀候选者。

这项工作表明，利用机器学习来简化新型光伏材料的发现和验证可以降低成本并大大加速太阳能的采用，减少我们对化石燃料的依赖，并有助于全球应对气候变化的努力。