加快新材料开发的实验周期对于解决目前的巨大能源挑战至关重要。麻省理工学院(MIT)Shijing Sun 和Tonio Buonassisi团队在2个月内制造并表征了75种独特的钙钛矿型组合物,其中87%的带隙介于1.2和2.4 eV之间,这对于能量收集应用至关重要。利用完全连接的深度神经网络将实测的化合物分类为0D,2D和3D结构,比人体分析快10倍以上,准确率高达90%。并采用卤化铅卤化物验证了该方法的可靠性,并将其应用扩展到无铅组合物。更宽的合成窗口和更快的学习周期使得能够实现多点无铅合金系列Cs3(Bi1-xSbx)2(I1-xBrx)9。该研究揭示了非线性带-间隙行为和在Cs3Bi2I9与Sb和Br的X位点同时合金化时的维数转变。
Accelerated Development of Perovskite-Inspired Materials via High-Throughput Synthesis and Machine-Learning Diagnosis
Shijing Sun, Noor T.P. Hartono, Zekun D. Ren, Felipe Oviedo, Antonio M. Buscemi, Mariya Layurova, De Xin Chen, Tofunmi Ogunfunmi, Janak Thapa, Savitha Ramasamy, Charles Settens, Brian L. DeCost, Aaron G. Kusne, Zhe Liu, Siyu I.P. Tian, Ian Marius Peters, Juan-Pablo Correa-Baena, Tonio Buonassisi. Joule, 2019
DOI:https://doi.org/10.1016/j.joule.2019.05.014.
https://www.cell.com/joule/fulltext/S2542-4351(19)30257-0?_returnURL=https%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS2542435119302570%3Fshowall%3Dtrue#