基于高通量合成与人工神经网络的钙钛矿材料化学空间 - 性质预测模型：开启材料研发新征程

为解决从光学数据预测钙钛矿材料化学组成困难的问题，研究人员开展了整合高分辨率光谱、高通量合成和机器学习的研究。用光谱数据训练人工神经网络（ANN）模型，从太赫兹（THz）拉曼光谱数据预测化学组成准确率约 85%，加入紫外 - 可见光谱数据后达近 92%，为工业生产带来诸多便利。

　　卤化铅钙钛矿（Lead-halide perovskites）因其在太阳能电池和其他电子设备中的应用而备受关注。其光学性质可通过改变化学组成轻松调整。虽然从钙钛矿结构预测光学性质已得到充分研究，但仅从光学数据预测化学组成却很困难。在这项研究中，研究人员采用创新方法，结合高分辨率光谱、高通量合成和机器学习来解决这一问题。他们利用液体处理机器人合成了多种不同化学组成的卤化铅钙钛矿，简化了合成过程。对于每个样本，收集了反映材料带隙和晶格振动的详细光学数据。这些数据用于训练人工神经网络（ANN），这是一种旨在识别复杂模式的计算机模型。该模型仅通过光学特征就能准确预测材料的化学组成。这一进展对钙钛矿的开发和制造方式影响重大。它使科学家和工程师能够直接从光学数据确定材料组成，为工业环境中更快速、高效的生产和实时质量控制铺平了道路。卤化铅钙钛矿展现出高度可调节的光学性质，适用于光伏和光电子领域。尽管人们在开发基于结构准确预测钙钛矿材料光学性质的方法上付出了很多努力，但从光学数据预测组成的研究却少得多。在本研究中，采用高通量方法合成并光谱分析了一系列通式为 MA_xCs_1?xPb(Cl_xBr_yI_1?x?y)₃的单卤化物、二卤化物和三卤化物钙钛矿。光谱数据用于训练基于人工神经网络（ANN）的化学空间 - 性质预测模型，该模型可处理多个响应和多个预测变量。该模型从太赫兹（THz）拉曼光谱数据预测钙钛矿化学组成的准确率约为 85%。当数据集纳入紫外 - 可见光谱数据时，准确率提高到近 92%。这项研究为工业生产中钙钛矿材料的实时监测、缺陷检测、降解分析以及简化材料选择和优化提供了可能。