基于机器学习的卤化物钙钛矿带隙性质洞察 开放获取

《Physical Chemistry Chemical Physics》：Machine learning insights into band gap properties in halide-based perovskitesOpen Access

　　

卤化物钙钛矿在光电器件应用中展现出巨大潜力。无铅钙钛矿因其低毒性而受到越来越多的关注，并激励了对替代组成和结构的探索，包括A$_2$BX$_6$、A$_2$BB$^\prime$X$_6$、A$_3$B$_2$X$_9$和A$_4$BX$_6$。准确预测各种带隙能量对于设计新材料至关重要。人们还希望能够建立结构描述符和元素描述符与带隙能量之间的直接关系。在本研究中，我们开发了基于原子和结构性质的机器学习模型，以预测各种类型卤化物钙钛矿的带隙能量。包括集成树方法、随机森林回归（RFR）、梯度提升回归树（GBRT）和极端梯度提升（XGB）在内的算法展现了强大的预测精度。我们还分析了特征重要性，以确定关键描述符，包括B位和X位元素性质，以及A位和B位原子的数量，是影响带隙能量的主要因素。这些结果提高了我们对机器学习模型的理解，并为设计新型卤化物钙钛矿材料提供了指导。

此内容仅通过PDF提供。

打开 PDF 《机器学习洞察卤基钙钛矿的带隙性质》在另一个窗口中

? 2026 作者。由英国皇家化学学会代表所有学会出版

2026年

作者

本文根据知识共享署名4.0国际许可协议授权。您可以在其他出版物中使用本文内容，无需向RSC进一步申请许可，但需给予正确的署名。

本作品根据 知识共享署名4.0国际许可协议 授权。