在更持久的佩罗夫斯基钛矿太阳能电池中归巢的国际数据融合方法

研究人员制定了一种新的方法来测试可用于太阳能电池的长期钙钛矿配方。高通量自动化降解测试系统通过其颜色的变化监测材料的击穿。

识别有用配方的新方法可以帮助解决这些有前途的新型轻质光伏的退化问题。

称为Perovskites的材料被广泛的预示着硅作为太阳能电池的首选材料的替代品，但它们最大的缺点是它们倾向于相对迅速降解。近年来，钙钛矿的细胞可用寿命从分钟到几个月逐渐提高，但仍然远远落后于硅的几十年，目前用于几乎所有商业太阳能电池板的材料。

现在，由麻省理工学院领导的国际跨学科团队提出了一种新的方法来缩小寻找最佳候选人的候选人，从大量潜在的组合中出现。已经，他们的系统在一个组合物中归零，即实验室的现有版本超过十倍。即使在完全太阳能电池水平的真实条件下，除了实验室中只有一个小型样本，这种类型的钙钛矿已经比最先进的配方更好地表现了三倍。

这些结果出现在“杂志”中，由MIT Postdoc Shijing Sun，MIT教授，Moungi Bawendi，John Fisher和Tonio Buonassisi的纸张，他也是新加坡 - 麻省理工学院的研究和技术联盟（SMART）的主要调查员，和16个来自麻省理工学院，德国，新加坡，科罗拉多州和纽约的其他人。

Perovskites是一种广泛的材料，其特征在于原子排列在其层状晶格中。将这些层作为A，B和X描述，可以包括各种不同的原子或化合物。因此，搜索了这种组合的整个宇宙，以找到满足特定目标的最佳候选人 - 源材料的寿命，效率，可制造性和可用性 - 是一种缓慢而艰苦的过程，主要是一个没有任何地图的指导。

“如果您认为只有三个元素，佩洛夫斯人中最常见的是人间进出的是佩洛夫斯晶体结构的一个部位，”这一切都可以在其相对组合物中易于增量的1％的增量，Buonassisi说。“步数变得荒谬。它变得非常非常大“，因此通过系统地搜索是不切实际的。每一步都涉及创建新材料的复杂合成过程，然后测试其降解，即使在加速老化条件下也是耗时的过程。

团队成功的关键是他们描述为数据融合方法。这种迭代方法采用自动化系统来指导各种配方的生产和测试，然后使用机器学习来通过这些测试的结果，再次与第一原理的物理建模相结合，引导下一轮实验。系统不断重复该过程，每次都改进结果。

Buonassisi喜欢将可能的组成的巨大领域与海洋进行比较，他说，大多数研究人员都非常接近已知配方的海岸，例如，通过与那些原子配置略微纹化矫正。然而，“偶尔偶尔，有人犯了一个错误或有一个天才的中风，并从那里离开那里的成分空间的其他地方，嘿，它更好！幸福的丝密度，然后每个人都在他们的研究中搬到那里。“但这通常不是结构化的思想过程。”

他说，这种新的方法提供了一种探索近海地区寻求更好的属性的方法，以更加系统化，有效的方式。到目前为止，在他们的工作中，通过合成和测试三个组成部分中可能组合的2％，研究人员能够在迄今为止发现的钙钛矿太阳能电池材料的最耐用的制剂中零。

“这个故事真的关于融合所有不同的工具”用于找到新的配方，他表示，他们协调开展工作的国际团队，包括开发高吞吐量自动化降级测试系统通过其颜色的变化监测材料的细分，因为它使其变暗。要确认结果，该团队无法在实验室中制作一个小芯片，并将这些材料纳入工作太阳能电池。

“这项工作的另一个点是我们实际上证明了化学选择，直到我们最终制作太阳能电池，”她说。“它告诉我们，机器学习建议的化学品不仅可以稳定自己的独立形式。它们也可以转化为现实生活太阳能电池，它们导致可靠性提高。“她说，他们的一些实验室规模的示范达到了长寿，只有17倍，甚至是包括必要互连的全牢房演示，甚至包括必要的互连，超过三次超过三次。

Buonassisi表示，该方法的开发方法也可以应用于其他材料研究领域，涉及组成中的类似大型选择。“它真的打开了一个研究模式，你可以拥有这些短，快速的创新循环发生，也许是在子组件或物质层面。然后一旦你在右侧的成分上零，就把它撞到了一个较长的循环，涉及设备制造，并且您在下一级别测试出来。

“这是能够做这种工作的领域的大承诺之一，”他说。“要看到它实际上是那些[高度难忘]时刻之一。我记得当我收到来自Shijing的呼叫时，我记得确切的地方关于这些结果 - 当你开始实际看到这些想法来到生活。这真的很棒。“

“关于[此]提前特别令人兴奋的是，作者使用物理来指导[优化]过程的直觉，而不是将搜索空间限制为硬限制，”多伦多大学的Edward Sargent说，纳米技术专家与本研究没有连接。“这种方法将看到广泛的剥削，因为机器学习继续走向解决材料科学中的真正问题。”

参考：“优化Halide Perovskites的组成稳定性的数据融合方法”由Shijing Sun，Armi Tiihonen，Felipe Oviedo，Zhe Liu，Janak Thapa，Yicheng Zhao，Noor Titan P. Hartono，Anuj Goyal，Thomas Heumueller，Clio Batali，Alex Encinas， Jason J. Yoo，Ruipeng Li，Zekun Ren，I. Marius Peters，Christoph J.Brabec，Moungi G. Bawendi，Vladan Stevanovic，John FisherIIIS和Tonio Buonassisi，2021年2月1日，物质.DOI：
10.1016 / J.Matt.2021.01.008

该团队包括MIT的研究人员，德国亥姆霍尔斯·米尔罗斯矿山，纽约布鲁克海汶国家实验室科罗拉多省，新加坡麻省理工学院的研究和技术联盟，德国埃尔兰根电子和能源技术研究所。该工作得到了DARPA，SA，国家科学基金会和SKOLTECH NGP计划的支持。