基于第一性原理与机器学习的三元硫化物筛选及性能研究.pdf

中文摘要

钙钛矿材料由于其优越的光电性能迅速发展为下一代光伏器件中极具潜力的材

料之一。然而，稳定性问题和铅的毒性使其在商业发展中遇到了阻碍。如今，一种

三元硫化物（ABX）不仅解决了毒性和稳定性问题，还因可调的带隙、高的吸收

2

系数和能量转换效率等优点在光伏领域展现出巨大潜力。因此，对ABX2材料进行

筛选研究具有重要意义。由于传统的正交实验试错法耗费大量的资源和时间却效果

不佳。本文将采用第一性原理计算方法与机器学习方法来加速对三元硫族（ABX）

2

半导体的设计和筛选。具体内容如下：

基于第一性原理研究三元硫化物材料的光电性质，并筛选出适用于光伏应用的

材料。首先，在规避有毒元素和地壳稀缺元素的前提下，对ABX2各晶格位点进行

元素替代。基于PBE泛函研究了材料的形成能和带隙，初步筛选出六种稳定带隙

介于1.00-1.60eV之间的材料。然后，计算了这六种材料的光电性质，结果表明这

5-1

六种材料具有良好的电子传输特性，在可见光范围内具有高达10cm数量级的光

吸收系数。且AgBiS2和LiBiSe2的最大光电转化效率优于大多数已知光伏材料。

为了进一步提高三元硫化物设计筛选的效率，采用机器学习方法构建了材料特

征与计算得到的ABX2材料的带隙和形成能之间的映射模型。首先，通过计算特征

与目标性质的皮尔逊相关系数，排除相关系数低于0.1的特征。接着，使用GBR

算法进行特征重要性排序，并通过递归特征消除法优化特征集，最终保留了9个与

2

形成能相关的特征和7个与带隙相关的特征。然后，以RMSE和R作为评估标准，

对比了RR、RFR、GBR、SVR、KNN、ANN和XGBoost七种机器学习算法的十

折交叉验证结果，发现GBR算法在对形成能和带隙的预测上均表现最佳。进一步，

采用网格搜索优化模型的超参数，并在使用最优超参数后，两个模型的十折交叉验

证R2值进一步提高，RMSE降低。额外的测试集验证表明，该模型具有良好的鲁

棒性和泛化能力。

关键词：第一性原理；三元硫化物；机器学习；光伏材料

I

ABSTRACT

Perovskitematerialshaverapidlydevelopedintooneofthemostpromising

materialsinthenextgenerationofphotovoltaicdevicesduetotheirsuperior

optoelectronicproperties.However,stabilityissuesandthetoxicityofleadhavehindered

itscommercialdevelopment.Nowadays,aternarysulfide(ABX)notonlysolvesthe

2

problemsoftoxicityandstability,butalsoshowsgreatpotentialinthephotovoltaicfield

duetoitsadjustablebandgap,highabsorptioncoefficient,andenergyconv