9 دقیقه
افزایش روزافزون نیاز جهانی به برق، جست‌وجو برای مواد خورشیدی نسل بعدی را که همزمان کارآمد، سبک و کم‌هزینه باشند تشدید کرده است. محققان دانشگاه فناوری Chalmers در سوئد با ترکیب روش‌های یادگیری ماشین و شبیه‌سازی‌های اتمی در مقیاس بزرگ موفق شده‌اند ساختار کم‌دمای فراموش‌شده‌ای از ترکیب فرمامیدینیوم-سرب-یدید را روشن کنند؛ ماده‌ای که به عنوان یکی از نامزدهای برجسته در خانوادهٔ پراورسکایت‌های هالیدی برای سلول‌های خورشیدی پیشرفته مطرح است. این کار نه تنها تصویر اتمی دقیق‌تری ارائه می‌دهد، بلکه مسیر روشنی برای مهندسی و کنترل خواص این ماده در شرایط کاری واقعی فراهم می‌کند.
فرمامیدینیوم-سرب-یدید که اغلب با نماد FAPbI3 شناخته می‌شود، به دلیل خواص اپتوالکترونیکی برجسته‌اش در میان پراورسکایت‌های هالیدی یکی از بهترین‌ها محسوب می‌شود. با این حال، پایداری ساختاری و مقاومت در برابر شرایط عملیاتی همچنان چالش‌هایی مهم برای کاربرد صنعتی آن هستند. یافته‌های جدید از Chalmers می‌توانند نور تازه‌ای بر ساختار این ماده بتابانند؛ دانشی که برای طراحی فرآیندهای ساخت، انتخاب ترکیبات و بهبود طول عمر پنل‌های خورشیدی ضروری است. با درک بهتر ساختار در مقیاس اتمی، امکان کاهش تلفات الکترونیکی، کنترل نقص‌ها و بهینه‌سازی خواص نوری و الکتریکی فراهم می‌شود.
پیش‌زمینهٔ علمی
پراورسکایت‌های هالیدی خانواده‌ای از نیمه‌رساناهای بلوری‌اند که طی یک دههٔ گذشته تحول بزرگی در تحقیقات فوتوولتاییک ایجاد کرده‌اند. این مواد به دلیل جذب قوی نور، باندگپ قابل تنظیم و امکان تولید با هزینه پایین به گزینه‌ای جذاب برای سلول‌های خورشیدی تبدیل شده‌اند. چارچوب عمومی ساختاری این ترکیبات از نوع ABX3 است که در آن A کاتیون آلی یا معدنی، B یک یون فلزی دو ظرفیتی (معمولاً سرب یا قلع) و X یک هالید (ید، برم یا کلر) است. در این میان، FAPbI3 به خاطر باندگپ مناسب برای جذب طیف خورشید و خواص حامل بار مطلوب، مورد توجه ویژه قرار گرفته است.
با این وجود، این مواد چالش‌های عملی قابل توجهی دارند: ناپایداری فازی میان حالت‌های بلوری مختلف، حساسیت به رطوبت و اکسیژن، مهاجرت یونی در داخل بلور که می‌تواند به فروپاشی خواص الکتریکی منجر شود، و فعال شدن مکانیزم‌های تجزیه در دمای عملیاتی. برای FAPbI3 به طور خاص، اختلاف بین فازهای پایداری در دماهای مختلف (مثلاً فاز آلفا با خواص مطلوب و فاز دلتا یا دیگر فازهای کم‌کارایی) یک مسئلهٔ اساسی است. درک رفتار مولکول‌های آلی (فرمامیدینیوم) داخل شبکه بلوری، نحوهٔ تغییر جهت‌گیری‌ها و تعامل آن‌ها با شبکهٔ یونی، و نقش تغییرات دمایی در انتقال‌های فازی، از پیش‌نیازهای طراحی سلول‌های پایدار و با کارایی بالا هستند.
شبیه‌سازی‌های مبتنی بر هوش‌مصنوعی و نتایج کلیدی
محققان Chalmers از مدل‌های محاسباتی اعتبارسنجی‌شده و پتانسیل‌های بیناتمی یادگیری‌شده استفاده کردند تا زمان‌ها و ابعاد شبیه‌سازی را به ترتیب بزرگی ارتقا دهند. این رویکرد ترکیبی امکان مدل‌سازی سامانه‌هایی شامل میلیون‌ها اتم را فراهم می‌کند و گذارهای فازی و فرایندهایی را آشکار می‌سازد که پیش از این برای محاسبات پایه‌ای کوانتومی در دسترس نبودند. به عبارت دیگر، با استفاده از مدل‌های آموزش‌دیده‌شده بر پایهٔ نتایج محاسبات نخستین (مانند DFT) اما با هزینهٔ محاسباتی بسیار پایین‌تر، تیم توانست دینامیک مولکولی را در بازه‌های زمانی طولانی‌تر و در مقیاس‌های فضایی بزرگ‌تر دنبال کند و پدیده‌های نادری که نقش کلیدی در پایداری و عملکرد دارند را مشاهده کند.
این توانایی جدید به پژوهشگران اجازه داد نحوهٔ چیدمان اتم‌ها در فاز کم‌دمای FAPbI3 را بررسی کنند، تأثیر جهت‌گیری‌های مولکول‌های فرمامیدینیوم بر میدان‌های الکتریکی محلی و پراکندگی حامل‌ها را تحلیل کنند و مکانیسم‌هایی که می‌تواند به گیر افتادن نیمه‌پایدار کاتیون‌های آلی منتهی شود را مستندسازی نمایند. نتایج نشان می‌دهند که برخی از حالات نیمه‌پایدار در زمان سردشدن ماده تثبیت می‌شوند و این حالات می‌توانند بر خواص الکترونیکی، قابلیت عبور حامل‌ها و در نهایت بر عملکرد دستگاه‌های فوتوولتاییک تأثیرگذار باشند.
چرا یادگیری ماشین اهمیت دارد
پتانسیل‌های بیناتمی یادگیری‌شده هزینهٔ محاسباتی دینامیک مولکولی را به‌طور چشمگیری کاهش می‌دهند در حالی که دقت شیمیایی لازم برای تفسیر برخوردها و تغییرات ساختاری را حفظ می‌کنند. انواع مختلفی از این پتانسیل‌ها وجود دارد—از جمله شبکه‌های عصبی تعمیم‌یافته، پتانسیل‌های مبتنی بر نرم‌افزار Gaussian Approximation، و روش‌هایی که از نمایه‌سازی بردارهای ویژگی مخصوص به ساختار استفاده می‌کنند—که همگی با داده‌های محاسبات نخستینی آموزش داده می‌شوند تا بتوانند انرژی‌ها و نیروها را با خطای قابل‌قبولی پیش‌بینی کنند. با این ابزارها، تیم تحقیقاتی قادر شد تا فرایندهای سرد شدن را در مقیاس زمانی‌ای که وقوع گیر افتادگی‌ها و گذارهای فازی در آن محتمل است، شبیه‌سازی نماید.
توانایی دنبال کردن جهت‌گیری و نوسانات مولکول‌های فرمامیدینیوم درون شبکهٔ بلوری، اطلاعات جدیدی دربارهٔ چگونگی ایجاد قطبش‌های محلی، افزایش یا کاهش تخلخل الکترون‌ها و تأثیرات موضعی بر جابجایی یون‌ها می‌دهد. برای مثال، جهت‌گیری‌های خاص مولکول‌های آلی می‌تواند میدان الکتریکی محلی ایجاد کند که راندمان حمل و انتقال حامل‌های بار را تحت تأثیر قرار دهد. علاوه بر این، مدل‌های یادگیری‌شده این امکان را به وجود آوردند که سناریوهای مختلف فرایند ساخت، از جمله نرخ سرد شدن و اثر افزودنی‌های شیمیایی را در آزمایشگاه شبیه‌سازی کنند و تأثیر آن‌ها را بر شکل‌گیری فازها برآورد نمایند.
پرسش ساختاری حل شده
شبیه‌سازی‌ها ترتیب دقیق اتم‌ها در فاز کم‌دمای مرموز را شناسایی کردند و نشان دادند که کاتیون‌های آلی می‌توانند هنگام سرد شدن در یک پیکربندی نیمه‌پایدار به دام بیفتند. این تصویر ساختاری شکاف طولانی‌مدت در فهم بنیادی FAPbI3 را پر می‌کند و پارامترهایی را فراهم می‌آورد که محققان تجربی و مهندسان دستگاه می‌توانند از آن‌ها برای بهبود ترکیبات ماده و تنظیم استراتژی‌های فراوری استفاده کنند. اهمیت این کشف در آن است که نشان می‌دهد تغییرات کوچک در جهت‌گیری‌های مولکولی یا شرایط تجربهٔ حرارتی می‌تواند تفاوت قابل توجهی در خواص ماکروسکوپی ماده ایجاد کند.
این پارامترها شامل انرژی‌های آزاد مربوط به چرخش کاتیون‌ها، موانع مهاجرت یونی، طول مقیاس‌های همبستگی جهت‌گیری و مجموعه‌ای از داده‌های ساختاری قابل مقایسه با نتایج پراش و طیف‌سنجی هستند. در عمل، این بدان معناست که پژوهشگران می‌توانند با آگاهی از این محدودیت‌های انرژی و دینامیک مولکولی، ترکیباتی شامل مخلوط کاتیون‌ها یا هالیدها را طراحی کنند تا فاز آلفا را پایدار نگه دارند یا حداقل مسیرهای گذار به فازهای نامطلوب را کند کنند.
"ما اکنون ابزارهای شبیه‌سازی داریم که می‌توانند به سوالاتی پاسخ دهند که تنها چند سال پیش در دسترس نبودند،" می‌گوید Julia Wiktor، دانشیار و پژوهشگر ارشد در Chalmers. Sangita Dutta، یکی از پژوهشگران پروژه در Chalmers، اضافه می‌کند که حل مسألهٔ فاز کم‌دما یک مجهول حیاتی در طراحی مواد برداشته است و پژوهش‌ها را نسبت به گذشته هدفمندتر می‌سازد.
اعتبارسنجی تجربی و پیامدها
برای اعتبارسنجی مدل‌ها، همکاران در دانشگاه Birmingham نمونه‌ها را تا حدود –200°C سرد کردند و اندازه‌گیری‌های آزمایشگاهی را با نشانه‌های شبیه‌سازی‌شده مقایسه نمودند. داده‌های تجربی با موتیف‌های ساختاری پیش‌بینی‌شده مطابقت داشتند که این تطابق به افزایش اعتماد به نفس در روش ترکیبی محاسباتی–آزمایشی منجر شد. در عمل، ابزارهایی مانند پراش پرتو ایکس با دمای پایین، پراکندگی نوترون، طیف‌سنجی رامان و طیف‌سنجی جذب می‌توانند ویژگی‌های ساختاری و ارتعاشی را که شبیه‌سازی‌ها پیش‌بینی کرده‌اند تایید یا رد کنند؛ در این مطالعه، همگرایی میان شبیه‌سازی و اندازه‌گیری‌های آزمایشگاهی مشهود بوده است.
پیامدهای این یافته‌ها گسترده است: از یک‌سو، راهکارهایی برای تنظیم ترکیب (مثلاً اختلاط انواع مختلف پراورسکایت‌های هالیدی یا جایگزینی جزئی یون‌ها) برای کاهش تجزیه و افزایش پایداری در ماژول‌های فوتوولتاییک پیشنهاد می‌شود؛ از سوی دیگر، بینشی بهبود یافته دربارهٔ چگونگی کنترل فرایندهای فراوری—مانند سرعت سرد شدن، دماهای پیش‌گرم و افزودنی‌های سطحی—به دست آمده است که می‌تواند عمر مفید دستگاه و پایداری عملکرد را افزایش دهد. در سطح توسعه دستگاه‌های نوری-الکترونیکی مانند LEDها، درک رفتار میکروسکوپی می‌تواند به کاهش تلفات نوری و بهبود بهرهٔ تبدیل منجر شود.
به‌علاوه، این پژوهش دروازه‌ای برای توسعهٔ طرح‌های پنل‌های نازک و قابل‌انعطافی است که بتوانند به‌راحتی در الکترونیک پوشیدنی، نمای ساختمان‌ها و سطوح خارجی دستگاه‌ها ادغام شوند. با قضاوت بر اساس این نتایج، حرکت به سمت تولید صنعتی نیازمند توازن میان ترکیب شیمیایی، کنترل فرآیند و طراحی ساختاری در مقیاس بزرگ است؛ شبیه‌سازی‌های مبتنی بر یادگیری ماشین ابزاری کلیدی برای پیمایش این فضای پیچیده طراحی به‌شمار می‌آیند.
نتیجه‌گیری
کار Chalmers نشان می‌دهد که چگونه ترکیب یادگیری ماشین و شبیه‌سازی در مقیاس بزرگ می‌تواند رفتار فازی پیچیده در پراورسکایت‌های هالیدی را آشکار سازد. داشتن مدل‌های اتمی تاییدشده برای FAPbI3 مسیر مشخص‌تری برای کنترل پایداری و عملکرد ماده فراهم می‌کند؛ پیشرفتی حیاتی برای سلول‌های خورشیدی نسل بعدی و فناوری‌های اپتوالکترونیکی مرتبط. این تحقیق نه تنها شکاف‌های دانش بنیادی را پر می‌کند، بلکه به‌طور عملی راه‌هایی را برای مهندسی بهتر مواد، بهبود فرایندهای تولید و افزایش دوام دستگاه‌ها ارائه می‌دهد. در قدم‌های بعدی، ترکیب داده‌های تجربی گسترده‌تر، توسعهٔ پتانسیل‌های یادگیری‌شده با دقت بالاتر و استانداردسازی روش‌های شبیه‌سازی می‌تواند سرعت انتقال این فناوری‌ها از آزمایشگاه به بازار را افزایش دهد.
منبع: scitechdaily
نظرات