Группа ученых из Пекинского университета и его Шэньчжэньского кампуса применила искусственный интеллект, чтобы быстро и точно предсказывать свойства материалов для солнечной энергетики. Их алгоритмы научились прогнозировать ключевые характеристики перовскитных материалов: положение нижнего края зоны проводимости, верхнего края валентной зоны и ширину запрещенной зоны.

Эта работа дает ценную информацию для осознанного дизайна перовскитов с заданными свойствами и ускоряет поиск более эффективных материалов для солнечных панелей, делая их доступнее.

Один из самых популярных способов получения электричества — фотовольтаика. Это устойчивый и экологичный метод. Среди множества изучаемых материалов особое внимание привлекают галогенидные перовскиты. Их ценят за выдающиеся фотоэлектрические свойства, простоту и дешевизну производства. Их кристаллическая структура ABX₃ позволяет комбинировать разные органические и неорганические компоненты, что влияет на оптические и электронные свойства, такие как ширина запрещенной зоны, перенос заряда и стабильность.

Недавние достижения подняли эффективность перовскитных солнечных элементов до 27%, а в тандемных конфигурациях — выше 30%. Это делает их прямыми конкурентами традиционным кремниевым панелям. Но проблемы остаются: токсичность свинца и нестабильность материалов. Чтобы их решить, нужно находить новые составы перовскитов с идеальными свойствами — подходящей шириной запрещенной зоны и выравниванием энергетических уровней.

Ключ к оптимизации — управление электронной зонной структурой материала, особенно тремя параметрами:

• Запрещенная зона определяет, какой частью солнечного спектра может «питаться» материал.

• Нижний край зоны проводимости и верхний край валентной зоны влияют на разделение зарядов и эффективность их переноса внутри устройства.

Точная настройка этих параметров критически важна для снижения потерь и роста КПД.

Классические методы — скрининг и квантово-химические расчеты — точны, но требуют много времени и ресурсов. Поэтому растет спрос на быстрые, основанные на данных стратегии. Машинное обучение, способное анализировать большие данные и находить сложные закономерности, стало мощным инструментом в этой гонке. Однако предыдущие исследования в основном ограничивались неорганическими перовскитами и не давали полной картины по ключевым энергетическим уровням.

Решение: команда построила высокоточные модели машинного обучения для предсказания всех трех ключевых свойств, причем как для неорганических, так и для гибридных органико-неорганических перовскитов.

Модель на основе алгоритма XGBoost показала отличные результаты:

Чем ближе R² к единице, а ошибка (MAE) к нулю, тем точнее модель. Эти цифры говорят о высокой надежности прогнозов для таких сложных свойств.

Ученые также использовали метод SHAP, чтобы «заглянуть внутрь» модели и понять, какие именно химические и структурные признаки сильнее всего влияют на свойства. Это дает практические инструкции по дизайну новых материалов.

Что дальше? Перспективное направление — комбинировать понятные «легкие» модели машинного обучения с мощью глубоких нейросетей для еще более эффективного и экологичного поиска уникальных материалов.

Эта работа создала инструмент для ускоренного прогнозирования свойств перовскитов, который направляет рациональный дизайн высокоэффективных солнечных элементов. Исследование опубликовано в авторитетном междисциплинарном журнале Materials Futures.

Главная практическая польза этого исследования — радикальное ускорение и удешевление начального этапа разработки новых материалов. Вместо месяцев трудоемких расчетов или экспериментов ученые и инженеры могут за считанные минуты получить предварительную оценку для тысяч виртуальных составов и отобрать лишь самые перспективные для углубленной работы. Это сужает поле поиска с континента до песочницы. В перспективе такой подход может привести не только к оптимизации известных перовскитов, но и к открытию совершенно новых классов соединений с заранее заданными, идеальными для конкретной задачи свойствами, будь то солнечные панели, светодиоды или датчики.

Основное ограничение, присущее всем подобным данным исследованиям, — качество и объем обучающих данных. Модель предсказывает свойства на основе известных ей примеров, рассчитанных теоретически (методами HSE, PBE). Любая систематическая ошибка или «слепое пятно» в этих исходных данных будет унаследована и даже усилена моделью. Критически важно, насколько расчетные данные соответствуют реальным экспериментальным значениям для широкого набора соединений. Кроме того, модель пока не учитывает такие жизненно важные для практики параметры, как долговременная стабильность материала в реальных условиях или кинетика деградации, что остается прерогативой экспериментов.

Ранее ученые создали новую архитектуру для энергоэффективной электроники.