综述:从第一性原理到机器学习:加速有机-无机杂化钙钛矿的设计与发现

《Digital Discovery》:From First Principles to Machine Learning: Accelerating the Design and Discovery of Hybrid Organic–Inorganic PerovskitesOpen Access

【字体: 大 中 小 】 时间:2026年09月21日 来源:Digital Discovery 7.1

编辑推荐:

   打开图形查看器 有机-无机杂化钙钛矿(HOIPs)已成为结构多样性最高、技术前景最广阔的材料之一,其应用

  

有机-无机杂化钙钛矿(HOIPs)已成为结构多样性最高、技术前景最广阔的材料之一,其应用范围涵盖光伏电池、发光二极管、光电探测器以及压电能量收集器。尽管其组合设计空间估计包含数以万计的三维(3D)组分和数量级更多的二维(2D)变体,但该空间中已进行实验和计算表征的部分仍然极为有限。本文综述了第一性原理密度泛函理论(DFT)、高通量计算与机器学习(ML)在加速杂化钙钛矿设计与发现方面交汇处的最新研究进展。我们首先系统概述了可通过DFT计算的性质,包括结构参数、电子带隙、形成能、载流子有效质量、介电常数、铁电极化强度以及力学和压电系数,并讨论了每种性质的精度、计算成本及已知局限性。随后,我们考察了用于HOIP性质预测的主要机器学习方法,涵盖数据集构建、特征工程策略以及从经典方法到现代深度学习架构的机器学习模型谱系。本文在四个领域呈现了代表性案例研究:带隙预测、相稳定性与可形成性分类、力学和压电性质预测,以及用于晶体结构预测和有限温度动力学的机器学习原子间势。最后,我们识别并讨论了主要瓶颈,包括数据稀缺和跨数据库不一致、有限温度下结构无序表征不足以及缺乏共享基准。我们进一步勾勒了最有前景的后续方向,包括主动学习、多保真度方法以及智能体AI在自主发现工作流中的新兴作用。本文所综述的DFT与机器学习协同方法定义了一个快速成熟的范式,为探索杂化钙钛矿广阔且 largely 未被探索的化学空间提供了路径。

本文根据知识共享署名-非商业性使用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而无需向RSC另行申请许可,但须给出正确的致谢且不得用于商业目的。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号