双卤化物钙钛矿光电器件材料的筛选方法

本发明属于气体应用领域，涉及一种双卤化物钙钛矿光电器件材料的筛选方法。

背景技术：

1、卤化物钙钛矿材料因其卓越的光电特性而成为下一代光电器件有前途的候选材料。相比于传统半导体材料，卤化物钙钛矿具备有趣的光电性质和出色的性能，如可调谐的能带位置、较大的光吸收系数、长载流子扩散长度和高电荷载流子迁移率等优点。使得卤化物钙钛矿材料在太阳能电池、光电探测器、发光二极管以及光催化等领域有广泛应用。相比于abx3型单卤化物钙钛矿材料，a2bb'x6型双卤化物钙钛矿的光吸收范围更大，稳定性以及光催化性能更好。然而,由于a2bb'x6型双卤化物钙钛矿的元素组合的多样性，单靠实验去搜寻适用的双卤化物光钙钛矿材料会耗费大量的人力物力，如何高效的搜寻新型双卤化物钙钛矿光电器件材料成为当前研究的难点与热点。

2、通过materialsproject数据库获取双卤化物钙钛矿的形成能和带隙数据，并结合pymatgen数据库获取相关原子参数生成原始数据集，再基于此数据集使用多种机器学习方法进行形成能回归预测、带隙分类预测和带隙回归预测，将预测模型应用到生成的虚拟双卤化物钙钛矿样本中筛选出合适的新型双卤化物钙钛矿光电器件材料可以帮助研究人员避开大量繁琐的实验，节约人力物力，提高实验的效率，同时还能发现双卤化物钙钛中对形成能和带隙较有影响的原子参数，为高效的发现新型双卤化物钙钛矿光电器件材料提供思路，提高实验的效率。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种双卤化物钙钛矿光电器件材料的筛选方法。

2、为达到上述目的，本发明提供如下技术方案：

3、双卤化物钙钛矿光电器件材料的筛选方法，该方法包括以下步骤：

4、s1：在materialsproject数据库中筛选得到双卤化物钙钛矿的形成能和带隙数据，再通过pymatgen库提取相关原子参数作为机器学习的原始数据集样本；

5、s2：对原始数据集进行预处理：将s1中的数据集进行预处理，对存在异常数值的样本数据进行重新提取或删除；

6、s3：将s2中预处理后得到的数据集样本，按4:1的比例，随机划分为形成能回归训练集和形成能回归测试集；

7、s4：构建形成能回归预测模型：

8、利用梯度提升回归gbr和s3中得到的形成能回归训练集进行建模，得到形成能回归预测模型；

9、s5：预测形成能回归测试集样本的形成能：

10、根据在s4中建立的形成能回归预测模型，预测s3中得到的回归测试集的形成能；

11、s6：利用回归评价指标对预测的回归测试集的形成能与实际样本值之间的差异进行量化评价，得到形成能回归评价结果；

12、s7：预测虚拟样本的形成能：

13、将虚拟样本输入到s4中建立的形成能回归预测模型中，得到预测的形成能；

14、s8：将s2中预处理后得到的数据集样本进行分类标签，禁带宽度在1ev到4ev范围的数据标签为1，其余数据标签为0，生成带隙分类数据集；

15、s9：将s8中预处理后得到的带隙分类数据集样本按4:1的比例，随机划分为带隙分类训练集和带隙分类测试集；

16、s10：构建带隙分类预测模型：

17、利用梯度提升分类gbc和s9中得到的带隙分类训练集进行建模，得到带隙分类预测模型，具体模型包含保留最优特征和参数优化过程；

18、s11：预测带隙分类测试集样本的带隙：

19、根据在s10中建立的带隙分类预测模型，预测s9中得到的带隙分类测试集带隙值；

20、s12：利用分类评价指标对预测的分类测试集的带隙值与实际值之间的差异进行量化评价，得到带隙分类评价结果；

21、s13：预测虚拟样本的带隙标签：

22、将虚拟双卤化物钙钛矿样本输入到s10中建立的带隙分类预测模型中，得到预测的带隙标签；

23、s14：将s2中预处理后得到的数据集样本按4:1的比例，随机划分为带隙回归训练集和带隙回归测试集；

24、s15：构建带隙回归预测模型：

25、利用梯度提升回归gbr和s14中得到的带隙回归训练集进行建模，得到带隙回归预测模型；

26、s16：预测带隙回归测试集样本的带隙值：

27、根据在s15中建立的带隙回归预测模型，预测s14中得到的回归测试集的带隙值；

28、s17：利用回归评价指标对预测的回归测试集的带隙值与实际样本值之间的差异进行量化评价，得到带隙回归评价结果；

29、s18：预测虚拟样本的带隙值：

30、将虚拟样本输入到s15中建立的带隙回归预测模型中，得到预测的带隙值；

31、s19：dft计算验证预测虚拟样本的准确性：

32、根据s7、s13和s18得到的形成能、带隙分类标签和带隙值的预测，筛选出符合范围的虚拟样本候选集，挑选带隙在2ev的虚拟样本进行dft计算验证预测模型的准确性；

33、s20：筛选出新型双卤化物钙钛矿材料光电器件材料：

34、根据s19的虚拟样本候选集筛选出新型双卤化物钙钛矿材料光电器件材料。

35、进一步，所述分类评价指标包括准确率、roc曲线和auc值，所述回归评价指标包括均方根误差和决定系数。

36、进一步，根据所述s6得到的形成能回归评价结果，计算预测的形成能与测试集的实际值的均方误差和决定系数，将得到的均方误差和决定系数作为形成能回归评价结果；

37、根据所述s12得到的带隙分类评价结果，计算预测的带隙分类标签与测试集的实际值的准确率、roc曲线和auc值，将得到的准确率、roc曲线和auc值作为带隙分类评价结果；

38、根据所述s17得到的带隙回归评价结果，计算预测的带隙值与测试集的实际值的均方误差和决定系数，将得到的均方误差和决定系数作为带隙回归评价结果。

39、本发明的有益效果在于：本发明的基于机器学习的新型双卤化物钙钛矿材料光电器件材料的高效筛选方法，克服了传统的需要进行复杂的第一性原理计算和实验才能得到结果的过程，节约了实验资源和时间，让材料筛选变得更加快速高效。基于机器学习建立的双卤化物钙钛矿的形成能回归预测模型、带隙分类预测模型和带隙回归预测模型，将原子参数等特征导入模型，就可得到预测结果，同时还能发现双卤化物钙钛矿中形成能和带隙性质与原子参数的关系，为高效发现新型双卤化物钙钛矿材料光电器件材料提供思路，提高实验的效率。

40、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

技术特征：

1.双卤化物钙钛矿光电器件材料的筛选方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的双卤化物钙钛矿光电器件材料的筛选方法，其特征在于：所述分类评价指标包括准确率、roc曲线和auc值，所述回归评价指标包括均方根误差和决定系数。

3.根据权利要求2所述的双卤化物钙钛矿光电器件材料的筛选方法，其特征在于：根据所述s6得到的形成能回归评价结果，计算预测的形成能与测试集的实际值的均方误差和决定系数，将得到的均方误差和决定系数作为形成能回归评价结果；

技术总结本发明涉及一种双卤化物钙钛矿光电器件材料的筛选方法，属于气体应用领域。本发明筛选得到双卤化物钙钛矿的形成能和带隙数据，提取双卤化物钙钛矿数据的相关原子参数生成原始数据集。筛选出可应用于光电探测器和光催化领域的材料。通过机器学习得到新型双卤化物钙钛矿材料的形成能回归模型、带隙分类模型和带隙回归模型。将生成的虚拟双卤化物钙钛矿样本输入到预测模型中得到预测的形成能、带隙分类标签和带隙，筛选出符合范围的虚拟样本候选集，同时挑选一些候选集材料进行DFT计算验证预测模型的准确性。本发明可以帮助研究人员避开大量繁琐的实验，节约实验的时间和资源，提高实验的效率，更加高效的发现新型双卤化物钙钛矿光电器件材料。技术研发人员：黄强,骆雯受保护的技术使用者：重庆邮电大学技术研发日：技术公布日：2024/7/29