通过高通量合成和人工神经网络预测钙钛矿材料的化学空间-性质模型

学术背景

钙钛矿材料因其在太阳能电池和其他电子器件中的广泛应用而备受关注。其光学性质（如带隙和晶格振动）可以通过调整化学组成来灵活调控。尽管从钙钛矿结构预测光学性质的研究已经较为成熟，但如何从光学数据反向预测化学组成却一直是一个难题。这一问题的解决对于加速钙钛矿材料的开发和生产具有重要意义，尤其是在大规模工业生产中，快速筛选和验证新材料的化学组成将极大地提高生产效率。

为了应对这一挑战，研究者们提出了一种结合高通量合成、高分辨率光谱技术和机器学习（特别是人工神经网络，ANN）的创新方法。通过这种方法，他们不仅能够高效合成多种化学组成的钙钛矿材料，还能够通过光学数据准确预测其化学组成。这一研究为钙钛矿材料的快速筛选和优化提供了新的工具。

论文来源

该研究由来自Michigan State University的Md. Ataur Rahman、Md. Shahjahan、Yaqing Zhang、Rihan Wu和Elad Harel共同完成。Elad Harel为通讯作者，负责该项目的整体设计和指导。该论文于2025年4月10日发表在《Chem》期刊上，题为“Chemical Space-Property Predictor Model of Perovskite Materials by High-Throughput Synthesis and Artificial Neural Networks”。

研究流程

1. 高通量合成钙钛矿材料

研究的首要步骤是合成一系列不同化学组成的钙钛矿单晶。研究团队采用了一种高通量合成方法，利用液体处理机器人（Opentrons OT-2）在96孔板上混合前驱体溶液（如MAPbCl₃、CsPbBr₃和CsPbI₃），并通过加热和振荡实现均匀混合。随后，这些溶液被转化为微滴并沉积在盖玻片上，形成单晶。

为了确保实验的准确性和可重复性，所有实验均在温度和湿度受控的实验室环境中进行。研究团队还考察了不同溶剂（如DMSO、DMF和GBL）对晶体尺寸和形状的影响，发现GBL溶剂在改善溴化物钙钛矿单晶的尺寸和形状方面表现尤为突出。

2. 光谱数据采集与分析

合成后的钙钛矿单晶被用于光谱分析，主要包括紫外-可见光谱（UV-Vis）、光致发光光谱（PL）和太赫兹拉曼光谱（THz Raman）。这些光谱数据被用作人工神经网络的输入特征，以训练模型预测钙钛矿的化学组成。

• 紫外-可见光谱：研究团队记录了所有钙钛矿样品的吸收光谱，并分析了其带隙变化。随着卤化物组成从氯到溴再到碘的变化，吸收光谱的峰值位置从蓝光区域（约400 nm）逐渐移动到红光区域（约700 nm）。

• 光致发光光谱：PL光谱和图像显示，钙钛矿单晶的发光颜色从蓝色到绿色再到红色，与卤化物的组成变化一致。然而，由于混合卤化物钙钛矿中的相分离现象，PL数据的可重复性较低，限制了其在模型中的应用。

• 太赫兹拉曼光谱：THz Raman光谱能够探测钙钛矿晶格的低频振动模式，如Pb-X键的对称拉伸和弯曲模式。这些振动模式的变化与卤化物组成密切相关，使得THz Raman数据在预测化学组成方面表现出色。

3. 人工神经网络模型的构建与训练

研究团队开发了一种基于人工神经网络（ANN）的化学空间-性质预测模型，能够同时处理多个输入和输出变量。模型的输入包括紫外-可见光谱、PL光谱和THz Raman光谱数据，输出为钙钛矿中卤化物的化学组成（x和y值）。

为了训练模型，研究团队采用了Levenberg-Marquardt和贝叶斯正则化两种算法，并将数据分为训练集（70%）、验证集（15%）和测试集（15%）。结果显示，THz Raman数据在预测化学组成方面表现最佳，回归系数达到0.851。当结合紫外-可见光谱数据时，模型的预测精度进一步提高到92%。

主要结果与结论

1. 光谱数据与化学组成的相关性

研究结果表明，THz Raman光谱数据在预测钙钛矿化学组成方面具有显著优势。特别是Pb-X键的低频振动模式（如弯曲和拉伸模式）与卤化物组成密切相关。相比之下，PL数据由于相分离现象的影响，其预测能力较弱。

2. 人工神经网络模型的性能

基于THz Raman和紫外-可见光谱数据的ANN模型在预测钙钛矿化学组成方面表现出色，回归系数达到0.917。这一模型的成功为钙钛矿材料的快速筛选和优化提供了强有力的工具。

3. 研究的科学价值与应用前景

该研究不仅解决了从光学数据预测钙钛矿化学组成的难题，还为钙钛矿材料的高效开发和工业生产提供了新的方法。通过结合高通量合成和机器学习，研究团队能够快速验证材料的化学组成，并实现实时质量控制。此外，该模型还可用于探索钙钛矿材料的局部和结构异质性，以及相分离动力学。

研究亮点

1. 创新性方法：该研究首次将高通量合成、高分辨率光谱技术和人工神经网络相结合，成功预测了钙钛矿材料的化学组成。
2. 高精度预测：基于THz Raman和紫外-可见光谱数据的ANN模型预测精度高达92%，显著优于传统方法。
3. 应用前景广阔：该模型可广泛应用于钙钛矿材料的快速筛选、优化和工业生产，具有重要的应用价值。

其他有价值的信息

研究团队还进行了特征重要性分析，发现紫外-可见光谱数据在305-315 nm、370-470 nm和540-600 nm区域的波段对模型预测具有显著影响。THz Raman光谱数据中，10-19 cm⁻¹（Pb-X弯曲模式）、40-60 cm⁻¹（X-Pb-Br对称拉伸模式）和120-185 cm⁻¹（X-Pb-X非对称拉伸模式）的波段对模型预测尤为重要。

总结

该研究通过结合高通量合成、光谱技术和人工神经网络，成功开发了一种能够从光学数据预测钙钛矿化学组成的高精度模型。这一成果不仅解决了钙钛矿材料研究中的一个关键难题，还为钙钛矿材料的高效开发和工业生产提供了新的工具和方法。未来，随着数据集规模的扩大和模型优化，这一方法的预测精度和应用范围将进一步扩展。