近日，物理学院王金兰教授课题组通过结合机器学习技术和第一性原理计算，提出了一套智能化的材料设计新策略，成功预测了5000余种潜在有机钙钛矿材料的带隙，并且从中挑选出了多种环境稳定的窄带隙无铅钙钛矿材料。该研究成果在线发表在Nature子刊《自然�通讯》(Nature Communications)上，标题为Accelerated discovery of stable lead-free hybrid organic-inorganic perovskites via machine learning。
能源危机的大背景下，迫切需要高效无毒的新型光伏材料来取代传统的化石能源。然而传统的材料设计方法存在着效率低下，资源浪费严重等问题，尤其是面对成千上万种候选材料时，这种方法更是捉襟见肘。最近，机器学习技术在材料设计领域崭露头角。通过绕过复杂的量子力学，机器学习技术不仅可以大大加快新型功能材料的设计，而且还能从材料数据中学习到基本的材料构效关系。这一新的材料设计策略已经在分子有机发光二极管，形状记忆合金，压电体等领域得到成功应用，然而还未在极具光伏应用潜力的有机无机杂化钙钛矿领域得到有效探索。
王金兰教授课题组基于机器学习技术和密度泛函理论，提出一种性质导向的材料设计新方法,来预测具有光伏应用潜力的有机无机杂化钙钛矿，旨在基于带隙快速筛选有机无机杂化钙钛矿，并解决目前有机无机杂化钙钛矿毒性和稳定性问题。这一策略成功地构建了包含5000多种未研究过的有机无机杂化钙钛矿预测带隙的数据库，并从中挑选出多种窄带隙钙钛矿进行第一性原理验证。计算发现，预测精度与第一性原理计算结果吻合，并且这些钙钛矿都具有室温热稳定性，其中有2种具有直接带隙和良好的环境稳定性。更进一步地，通过机器学习技术从预测数据中建立了有机无机杂化钙钛矿带隙的构效关系，发现影响钙钛矿带隙主要的因素有容忍因子，八面体因子，A位分子极化强度以及B位金属电负性。这项工作拓展了机器学习技术在新型功能材料设计领域的应用，开发了机器学习材料设计程序包，建立了5000多种潜在的新型有机无机钙钛矿材料带隙数据库，并筛选验证了几种环境稳定的无铅有机无机钙钛矿材料，极大地加速了该类具有光伏应用潜力的材料设计进程。
论文链接：https://www.nature.com/articles/s41467-018-05761-w
本文第一作者为硕士生陆帅华，物理学院教师周跫桦老师为共同第一作者，王金兰教授为论文唯一通讯作者。该工作受到国家重点研发计划、国家杰出青年基金等项目资助。