Data-Driven Design of Halide Perovskites for Efficient Green Light-Emitting Diodes via Machine Learning and DFT
Notice bibliographique
Résumé
To accelerate the application of inorganic halide perovskite materials in green-light-emitting diodes (LEDs), it is crucial to develop novel perovskite materials with suitable band gaps. However, traditional experimental screening methods and density functional theory (DFT) calculations are time-consuming and costly. Therefore, we propose an innovative screening strategy that combines machine learning with DFT calculations to predict the band gaps of 30 inorganic halide perovskite materials. This study establishes a database based on 1193 inorganic perovskite materials and utilizes five machine learning models: random forest regression (RFR), gradient boosting regression (GBR), support vector regression (SVR), extreme gradient boosting regression (XGBR), and decision tree regression (DT). Using this approach, four promising inorganic perovskite candidates, Cs 2 KTlCl 6, Cs 2 RbTlCl 6, Cs 2 TlBiCl 6, and Cs 2 KInBr 6, were successfully identified. Moreover, detailed DFT calculations were conducted to study the band gaps, density of states, effective mass, and exciton binding energy, thereby identifying the most promising green LED perovskite candidates. Among these, Cs 2 TlBiCl 6 not only possesses an ideal band gap of 2.23 eV for green LEDs but also demonstrates excellent performance in terms of effective mass, exciton binding energy, and stability. By combining machine learning with DFT calculations, we significantly enhanced the efficiency and accuracy of material screening, providing an efficient and innovative solution for the development of green LEDs.
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 | 0,001 |
| 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 | 0,001 | 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 ».