[发明专利]一种基于机器学习和团簇模型的钙钛矿带隙预测方法

说明书

本发明公开了一种基于机器学习和团簇模型的钙钛矿带隙预测方法，包括以下步骤：S1，确定钙钛矿团簇模型并对团簇模型的结构进行优化；S2，根据团簇模型结构的优化结果，选定一系列团簇模型的本征结构参数构建一定数量的模型的数据库作为机器学习的训练数据库；S3，使用自相关性热度图和xgboost自带的特征重要性排序对构建的数据库进行筛分得到最终的机器学习训练数据库；S4，利用得到的机器学习训练数据库对机器学习模型进行训练并对带隙进行预测。本发明提供的基于机器学习和团簇模型的钙钛矿带隙预测方法，具有计算速度快、精度高、电子结构分析方便的特点。

技术领域

本发明涉及钙钛矿太阳能电池材料技术领域，特别是涉及一种基于机器学习和团簇模型的钙钛矿带隙预测方法。

背景技术

随着传统化石能源的日渐枯竭，以太阳能钙钛矿电池为代表的可再生能源受到了广泛的关注，材料导带和价带之间的带隙决定了光子激发光生电子和空穴对的难易，也是影响太阳能钙钛矿电池光电转化率的主要参数，通过计算不同钙钛矿模型的带隙宽度能够预测太阳能钙钛矿电池的性能、优选潜在钙钛矿材料，从而指导高性能材料的实验合成。

目前已知的预测钙钛矿带隙宽度的理论模型均基于体相模型，该类模型可以很好地展示钙钛矿晶体结构，但是由于受到晶格参数、晶型、点群等影响，体相模型的构建非常复杂，构建的体相模型包含原子数量较多，其计算成本高，不利于开展高通量计算；并且通过实验方法筛选制备高光电转化率钙钛矿电池存在周期长问题。基于以上问题，亟需提供一种新的基于机器学习和团簇模型的钙钛矿带隙预测方法。

发明内容

本发明的目的是为了提供一种基于机器学习和团簇模型的钙钛矿带隙预测方法，通过建立钙钛矿团簇模型，对机器学习模型进行训练并完成带隙的预测，具有计算速度快、精度高、电子结构分析方便的特点。

为实现上述目的，本发明提供了如下方案：

一种基于机器学习和团簇模型的钙钛矿带隙预测方法，包括以下步骤：

S1，确定钙钛矿团簇模型并对团簇模型的结构进行优化；

S2，根据团簇模型结构的优化结果，选定一系列团簇模型的本征结构参数构建设定数量的模型的数据库作为机器学习的训练数据库；

S3，使用自相关性热度图和xgboost自带的特征重要性排序对构建的数据库进行筛分得到最终的机器学习训练数据库。

S4，利用得到的机器学习训练数据库对机器学习模型进行训练并对带隙进行预测。

可选的，所述步骤S1中确定团簇模型并对团簇模型的结构进行优化，具体包括：

S101，通过Materials project数据库导入体相钙钛矿模型，从体相材料中截取满足化学配比的关键基团，构建团簇模型；

S102，利用高斯09软件对初始构型进行结构优化，采取的泛函为B3LYP，基组为def2svp，并加入D-3色散校正；

S103，验证钙钛矿团簇模型有机阳离子位的价态，使得A位基团的所有原子的净电荷之和接近于+1。

可选的，所述步骤S2中的所述本征结构参数包括：分子体积、结合能、电离能、最小键长、带隙值、偶极矩、离子电荷、分子表面静电势和离子化能。

可选的，所述步骤S2中的所述设定数量的模型具体数量为700个。

可选的，所述步骤S3中使用自相关性热度图和xgboost自带的特征重要性排序对构建的数据库进行筛分得到最终的机器学习训练数据库，具体包括：

S301，计算各个特征之间的皮尔逊相关性系数；

S302，使用xgboost算法自带的特征重要性排序对特征进行排序；