Exploring the Effects of Ionic Defects on the Stability of CsPbI<sub>3</sub> with a Deep Learning Potential
Notice bibliographique
Résumé
Abstract Inorganic metal halide perovskites, such as CsPbI3, have recently drawn extensive attention due to their excellent optical properties and high photoelectric efficiencies. However, the structural instability originating from inherent ionic defects leads to a sharp drop in the photoelectric efficiency, which significantly limits their applications in solar cells. The instability induced by ionic defects remains unresolved due to its complicated reaction process. Herein, to explore the effects of ionic defects on stability, we develop a deep learning potential for a CsPbI3 ternary system based upon density functional theory (DFT) calculated data for large‐scale molecular dynamics (MD) simulations. By exploring 2.4 million configurations, of which 7,730 structures are used for the training set, the deep learning potential shows an accuracy approaching DFT‐level. Furthermore, MD simulations with a 5,000‐atom system and a one nanosecond timeframe are performed to explore the effects of bulk and surface defects on the stability of CsPbI3. This deep learning potential based MD simulation provides solid evidence together with the derived radial distribution functions, simulated diffraction of X‐rays, instability temperature, molecular trajectory, and coordination number for revealing the instability mechanism of CsPbI3. Among bulk defects, Cs defects have the most significant influence on the stability of CsPbI3 with a defect tolerance concentration of 0.32 %, followed by Pb and I defects. With regards to surface defects, Cs defects have the largest impact on the stability of CsPbI3 when the defect concentration is less than 15 %, whereas Pb defects act play a dominant role for defect concentrations exceeding 20 %. Most importantly, this machine‐learning‐based MD simulation strategy provides a new avenue to explore the ionic defect effects on the stability of perovskite‐like materials, laying a theoretical foundation for the design of stable perovskite materials.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».