Введение: Критическая роль прозрачных проводящих оксидов

Прозрачные проводящие оксиды (ТКО) занимают уникальную и незаменимую нишу в современной электронике. Эти материалы одновременно обладают высокой оптической прозрачностью в видимом спектре и низким электрическим сопротивлением, комбинацией, которая необходима для широкого спектра оптоэлектронных устройств. От сенсорных экранов в наших смартфонах и планшетах до прозрачных электродов в солнечных элементах и плоскопанельных дисплеях, ТКО являются невидимым хребтом, который позволяет как передавать свет, так и собирать ток. Оксид индия (ITO) долгое время был доминирующим ТКО, предлагая отличный баланс свойств. Однако высокая стоимость и дефицит индия в сочетании с хрупкостью ИТО привели к срочному поиску альтернативных ТКО с сопоставимой или превосходной производительностью.

Исторически открытие новых ТКО было медленным, трудоемким процессом. Исследователи полагаются на синтез проб и ошибок, эмпирические правила и трудоемкие лабораторные испытания. Типичный рабочий процесс включает в себя гипотезу композиции-кандидата, синтезирование ее с помощью таких методов, как распыление или импульсное лазерное осаждение, характеризующее ее оптические и электрические свойства, а затем итерацию на основе результатов. Этот последовательный подход может потребовать месяцев или даже лет усилий для выявления одного перспективного соединения. Огромное композиционное пространство возможных оксидных материалов - по оценкам, в миллионах - делает исчерпывающий экспериментальный скрининг непрактичным. Следовательно, многие потенциально высокоэффективные ТКО остаются неоткрытыми.

В последние годы машинное обучение (ML) стало мощным ускорителем для обнаружения материалов. Используя большие наборы данных известных свойств материалов, алгоритмы ML могут быстро прогнозировать прозрачность и проводимость гипотетических соединений, сужая пространство поиска до самых перспективных кандидатов. Этот подход, основанный на данных, уже привел к идентификации новых ТКО, которые были упущены из виду традиционными методами. В этой статье исследуется, как машинное обучение трансформирует открытие прозрачных проводящих оксидов, подробно излагая основные принципы, ключевые методологии, истории успеха и будущие направления этой захватывающей междисциплинарной области.

Основы прозрачных проводящих оксидов

Свойства и приложения

Материал квалифицируется как TCO, если он одновременно отвечает двум требовательным критериям: высокая оптическая прозрачность (обычно > 80% передачи в видимом диапазоне, 400-700 нм) и низкое электрическое сопротивление (обычно ниже 10 ]-3 Ω·cm). Достижение обоих свойств в одном материале является сложной задачей, поскольку высокая электрическая проводимость часто требует высоких концентраций носителей (свободные электроны или дырки), что может привести к поглощению свободного носителя в видимой области, снижая прозрачность. Лучшие TCO, такие как ITO, легированный цинковый оксид алюминия, AZO и легированный SnO 2 (например, легированный фтором оловянный оксид, FTO), управляют этим компромиссом, тщательно балансируя уровни допинга и толщину пленки.

Применение TCO выходит далеко за рамки дисплеев и сенсорных экранов. В фотоэлектрике TCO служат передними электродами для кремниевых, тонкопленочных и перовскитных солнечных элементов, позволяя солнечному свету достигать активного слоя при извлечении тока. Светоизлучающие диоды (LED), включая органические светодиоды (OLED), полагаются на TCO-аноды для эффективного впрыска заряда. TCO также являются неотъемлемой частью интеллектуальных окон (электрохромные устройства), датчики и прозрачные нагревательные элементы. По мере того, как гибкая и носимая электроника приобретает известность, спрос на TCO, которые могут быть осаждены на гибкие подложки при низких температурах, растет, создавая новые проблемы и возможности для открытия.

Традиционные методы обнаружения и их ограничения

Классическое открытие TCO руководствуется принципами физики твердого тела и химии. Исследователи часто исследуют материалы с широкими полосами разрывов (> 3 эВ) для обеспечения прозрачности, а затем вводят допанты для увеличения концентрации носителя. Общие стратегии включают замену катионов (например, замену In 3 + на Sn 4 + в ITO) или допинга аниона (например, F- замену O2- в FTO). Эмпирические правила, такие как «правило Мосса», относящее полосовой разрыв к диэлектрической постоянной, обеспечивают эвристику, но не имеют прогностической точности для новых композиций.

Экспериментальная характеристика включает измерение сопротивления листа (четырехточечный зонд), эффекта Холла (переносная подвижность и концентрация) и оптического пропускания (УФ-Ви-НИР-спектрофотометрия). Каждое измерение занимает много времени и требует высококачественных тонкопленочных образцов. Кроме того, взаимосвязь между параметрами обработки (температура, давление, метод осаждения) и конечными свойствами сложна, часто требуя обширных параметрических исследований. Общая пропускная способность традиционных методов низкая: одна исследовательская группа может экранировать от десятков до нескольких сотен композиций в год.

Ограничения становятся острыми при рассмотрении поиска альтернатив ITO. Кандидатные системы, такие как легированный цинковый станат, кадмиевый станат или оксиды тройки (например, Zn ]2 В 2 O 5 )) были изучены, но комбинаторное пространство допантов, концентраций и условий обработки огромно. Без вычислительного руководства прогресс является постепенным и в значительной степени зависит от серендипности.

Как машинное обучение трансформирует TCO Discovery

Моделирование на основе данных: от дескрипторов к предсказаниям

Модели машинного обучения изучают закономерности из данных, чтобы делать прогнозы на новых, невидимых примерах. В контексте открытия TCO цель обычно состоит в том, чтобы предсказать целевое свойство - такое как зазор полосы, электрическая проводимость или оптическое пропускание - из набора входных признаков или дескрипторов, которые представляют состав и структуру материала. Общие дескрипторы включают элементные свойства (электронегативность, атомный радиус, валентный электрон, количество), структурные особенности (кристаллическая система, параметры решетки, число координации) и производные величины (например, эмпирический зазор полосы от композиции с использованием правил усреднения, таких как подход «взвешенной суммы»).

Современные исследования ML часто используют более сложные представления. композиционное дескрипторное пространство может быть построено с использованием Materials Project или Inorganic Crystal Structure Database (ICSD) в качестве источников данных. Например, можно кодировать материал как вектор композиционных атрибутов: сумма электроотрицательностей всех элементов, среднее число p-электронов или число валентных электронов на атом. Альтернативно, на основе графа представления рассматривают кристалл как граф, где атомы являются узлами и связи являются краями, что позволяет нейронным сетям графа (GNN) непосредственно изучать структурные отношения. Такие модели показали высокую точность в прогнозировании зазоров полос и энергий формирования через тысячи оксидных соединений.

Общие алгоритмы ML, используемые в исследованиях TCO, включают случайные леса (RF) , машины поддержки векторов (SVM) , , , и , глубокие нейронные сети (DNN) . Например, модели RF могут обрабатывать высокоразмерные дескрипторные пространства и обеспечивать ранжирование значимости признаков, помогая определить, какие элементарные свойства наиболее влияют на производительность TCO. Модели GPR предлагают количественную оценку неопределенности, которая ценна для руководства тем, какие эксперименты проводить дальше (активное обучение).

Обучение и валидация моделей ML

Надежная модель ML требует хорошо отлаженного набора данных известных TCO и связанных оксидов. Публичные базы данных, такие как Materials Project materialsproject.org, NOMAD и OQMD, обеспечивают вычисленные свойства (например, разрывы в полосах, энергии образования) для десятков тысяч неорганических соединений. Экспериментальные данные, хотя и более ограниченные, доступны из опубликованной литературы и специализированных репозиториев, таких как SpringerMaterials и Slack Data.

Типичные рабочие процессы ML включают следующие шаги:

  1. Сбор и очистка данных: Совокупные данные о свойствах из нескольких источников, обработка отсутствующих значений и удаление выхлопных газов. Для ТКО такие характеристики, как измеренный оптический зазор и сопротивление, должны быть соотнесены с составом и структурой.
  2. Инженерия характеристик: Создайте набор дескрипторов, которые фиксируют дисперсию свойств. Это может включать стехиометрические соотношения, средние значения свойств элементов и структурные отпечатки пальцев (например, тесселяция Voronoi координационных сред).
  3. Модульное обучение: Разделите набор данных на тренировочные (80%) и тестовые (20%) наборы. Обучайте несколько моделей и настраивайте гиперпараметры с использованием перекрестной валидации, чтобы избежать переобучения.
  4. Проверка и отбор: Оценка моделей на тестовом наборе с использованием таких показателей, как корневая среднеквадратная ошибка (RMSE), коэффициент R2 и средняя абсолютная ошибка (MAE).
  5. Скрининг:Применить модель к большому пулу гипотетических или неизученных композиций (например, все возможные легированные варианты родительского оксида). Ранговые кандидаты по прогнозируемым целевым свойствам, с дополнительными фильтрами (например, критерий стабильности: энергия образования < 0 эВ/атом).

Важным недавним развитием является использование активного обучения, где модель ML предлагает следующие эксперименты, которые с наибольшей вероятностью улучшат точность модели или дадут материалы с желаемыми свойствами. Этот итеративный подход «человек в контуре» резко сокращает количество экспериментов, необходимых для обнаружения высокопроизводительных ТКО.

Ключевые истории успеха

Одно знаковое исследование использовало машинное обучение для скрининга более 10 000 гипотетических композиций допинг-оксида для пригодности TCO. Модель ML, обученная на наборе данных ~500 экспериментально охарактеризованных TCO, предсказала разрывы полос и сопротивление с разумной точностью. Топ-50 кандидатов были синтезированы и охарактеризованы, что привело к открытию нескольких новых TCO, включая неодимовый легированный барийный станат (BaSnO ]3 :Nd) с электронной подвижностью, превышающей 100 см 2 / V·s и видимой прозрачностью 85%.

Другой известный пример применил нейронные сети графа для прогнозирования энергий образования и полосовых зазоров оксидов на основе цинка и олова. Модель идентифицировала ранее неизвестное соединение Zn2Sn1.5O3.5 в качестве перспективного кандидата на ТШО. Последующий экспериментальный синтез подтвердил его высокую прозрачность (90%) и удельное сопротивление 3×10-4, конкурируя с ITO. Такие успехи подчеркивают способность ML ориентироваться в огромном химическом пространстве оксидных материалов.

В научной литературе обзор Ng et al. (npj Computational Materials, 2021) обсуждал, как ML ускорил открытие полупроводников из легированного оксида. Кроме того, работа Yu и коллег (]Advanced Materials, 2019) продемонстрировала высокопроизводительный подход скрининга, сочетающий DFT с ML для TCO на основе BaSnO3.

Интеграция ML с экспериментальными методами

Высокопроизводительный скрининг и синтез

Машинное обучение наиболее эффективно при тесном взаимодействии с высокопроизводительными экспериментами (HTE). В типичной платформе HTE роботы автоматизированного синтеза могут наносить тонкие пленки сотен композиций на одну подложку с использованием комбинаторного распыления или химического осаждения паров. Эти библиотеки затем быстро характеризуются инструментами зонной пластины или сканирования, которые измеряют сопротивление листа и пропускание через сетку. Полученные данные подаются непосредственно в модели ML, которые, в свою очередь, отдают приоритет следующей партии композиций для изучения.

Эта система замкнутого цикла может просматривать тысячи материалов в день, что на порядок быстрее, чем традиционные методы. Например, в Национальной лаборатории возобновляемых источников энергии (NREL) используется такая рабочая система для идентификации новых ТКО для фотоэлектрических применений. Сочетание предсказания на основе ML и быстрой экспериментальной проверки создает мощный эффект маховика: каждая итерация повышает точность модели и расширяет библиотеку известных ТКО.

Комбинирование функциональной теории плотности и машинного обучения

Теория функционала плотности (DFT) — это квантово-механический метод, который может вычислять электронную структуру и многие свойства материалов из первых принципов. Однако расчеты DFT являются вычислительно дорогостоящими, особенно для больших систем или высокопроизводительного скрининга. Модели ML, обученные на результатах DFT, могут выступать в качестве суррогатов, предсказывая такие свойства, как разрыв полосы, эффективная масса и диэлектрическая постоянная в миллисекундах вместо часов.

Этот ML-DFT гибридный подход был особенно успешным для открытия TCO. Например, исследователи обучили нейронные сети на вычисляемых DFT полосах разрывов для тысяч оксидных соединений, достигая ошибок прогнозирования менее 0,1 эВ. Эти модели затем могут быть использованы для скрининга сотен тысяч гипотетических композиций. Наиболее перспективные кандидаты впоследствии проверяются с помощью полных расчетов DFT, балансируя скорость и точность. Недавняя работа Choudhary et al. npj Computational Materials, 2020 продемонстрировала прямое предсказание показателя TCO по заслугам от композиции с использованием модели глубокого обучения, обученной на смеси DFT и экспериментальных данных.

Проблемы и соображения

Дефицит данных и качество

Несмотря на прогресс, наличие высококачественных, курируемых экспериментальных данных остается основным узким местом. Большинство опубликованных исследований сообщают о свойствах на горстке образцов, часто в различных условиях синтеза, что затрудняет сравнение или агрегирование данных. Кроме того, распределение известных ТКО является предвзятым: ITO и его производные чрезмерно представлены, в то время как многие перспективные химические семейства (например, тройные оксиды с редкоземельными допантами) недопредставлены. Этот дисбаланс может привести к тому, что модели ML игнорируют потенциально ценные области пространства поиска.

Чтобы смягчить эти проблемы, исследователи разрабатывают методы переноса обучения , где модель, предварительно обученная на большом теоретическом наборе данных (например, разрывы полосы DFT от Проекта материалов), настраивается на меньшем экспериментальном наборе данных. Другая стратегия — инфраструктура информатики материалов , такая как AFLOW или Citrination платформы, которые стандартизируют форматы данных и облегчают обмен. NOMAD Repository nomad-lab.eu обеспечивает центральный центр для данных материалов, включая как расчеты, так и эксперименты.

Модельная интерпретируемость и обобщение

Многие мощные модели ML, особенно глубокие нейронные сети, работают как «черные ящики»: они обеспечивают точные прогнозы, но дают мало понимания основных физических механизмов. Это отсутствие интерпретируемости может помешать научному пониманию и снизить доверие к предложениям моделей. Для открытия TCO часто желательно знать, почему ], конкретная композиция прогнозируется как проводящая: это связано с высокой мобильностью, высокой концентрацией носителей или и тем, и другим? Какие элементарные особенности наиболее влияют на результат?

Такие методы, как SHAP (SHapley Additive exPlanations) и , могут выявить важность и направленность признаков. Например, анализ SHAP случайной лесной модели для TCO-сопротивления может показать, что сумма p-орбитальных электронов и средняя электроотрицательность являются двумя наиболее влиятельными особенностями, и что более высокое количество p-орбитальных электронов последовательно снижает сопротивление. Такие идеи могут направлять проектирование новых материалов, предполагая, какие химические оси исследовать.

Еще одна проблема заключается в обобщении различных семейств оксидов. Модель ML, обученная только бинарным оксидам, может плохо работать в тройных или четвертичных системах, где взаимодействие между несколькими катионами имеет решающее значение. Перекрестная валидация между химически различными группами помогает оценить обобщение. Для повышения надежности модели необходимо дополнение набора тренингов структурно разнообразными данными из высокопроизводительных расчетов.

Будущие направления и влияние

Интеграция машинного обучения в открытие TCO все еще находится на ранних стадиях, но потенциал огромен. По мере того, как наборы данных становятся все больше и стандартизированы, а алгоритмы становятся все более сложными, скорость открытия будет продолжать ускоряться. Несколько тенденций особенно многообещающи:

  • Полностью автоматизированные системы, которые сочетают в себе предсказания МО, роботизированный синтез и характеристику in-situ, позволят круглосуточно автономное открытие. Ранние прототипы уже продемонстрировали способность идентифицировать новые фотокатализаторы и TCO-подобные материалы с минимальным вмешательством человека.
  • Многообъективная оптимизация: Приложения TCO часто требуют компромисса между прозрачностью, проводимостью и другими факторами (например, механической гибкостью, термостабильностью). Модели ML могут быть обучены одновременно оптимизировать несколько целей, используя такие методы, как анализ границ Парето, для выявления лучших компромиссных материалов.
  • Интеграция с расширенной характеристикой: Высокопроизводительные оптические и электрические измерения могут быть объединены с ML для определения локальных дефектов, эффектов границы зерна и эффективности допинга. Это более глубокое понимание поможет рациональному проектированию ТКО за пределами простых прогнозов состава.
  • Расширение до гибких и изобилующих землей ТШО: С продвижением к устойчивой электронике, МЛ ускорит поиск ТШО на основе обильных элементов (железа, цинка, магния), которые могут быть обработаны при низких температурах на пластиковых подложках.

В заключение, машинное обучение является не просто инструментом анализа данных, но катализатором, который коренным образом меняет то, как мы обнаруживаем прозрачные проводящие оксиды. Заменяя случайные пробы и ошибки на обоснованные прогнозы, ML сокращает цикл разработки от лет до недель, снижает затраты и раскрывает материалы, которые в противном случае оставались бы скрытыми. По мере того, как вычислительные и экспериментальные возможности сходятся, область готова к революции, которая обеспечит следующее поколение TCO для энергии, дисплеев и за их пределами. Исследователи и инженеры, которые принимают эту парадигму, основанную на данных, будут на переднем крае следующей волны инноваций в оптоэлектронике.