مقاله پیشبرد مطالعات پیری ترکیبی با توان بالا از فیلم های نازک پروسکیت هیبریدی از طریق روشهای دقیق توصیف خودکار و آنالیز کمک به یادگیری ماشین

چکیده

To optimize materials’ stability, automated high-throughput workflows are of increasing interest. However, many of those workflows use processes not suitable for large-area depositions which limits the transferability of results. While combinatorial approaches based on vapour-based depositions are inherently scalable, their potential for controlled stability assessments has yet to be exploited. Based on MAPbI3 thin-films as a prototypical system, we demonstrate a combinatorial inert-gas workflow to study materials degradation based on intrinsic factors only, closely resembling conditions in encapsulated de-vices. Through a comprehensive set of automated X-Ray fluorescence (XRF), X-Ray diffraction (XRD) and UV-Vis characterizations, we aim to obtain a holistic understanding of thin-film properties of pristine and aged thin-films. From phase changes derived from XRD characterizations before and after aging, we observe simi-lar aging behaviours for MAPbI3 thin-films with varying PbI2 residuals. Using a custom-designed in-situ UV-Vis aging setup, the combinatorial libraries are exposed to relevant aging conditions, such as heat or light-bias exposure. Simultaneously, UV-Vis photospectroscopy is performed to gain kinetic insights into the aging process which can be linked to intrinsic degradation processes such as autocatalytic decomposition. Despite scattering effects, which complicate the conventional interpretation of in-situ UV-Vis results, we demonstrate how a machine learning model trained on the comprehensive characterization data before and after the aging process can link optical changes to phase changes during aging. Consequently, this approach does not only enable semi-quantitative comparisons of materials’ stability but also provides detailed insights into the underlying degradation processes which are otherwise mostly reported for investigations on single samples.

چکیده به فارسی (ترجمه ماشینی)

برای بهینه سازی ثبات مواد ، گردش کار خودکار با توان بالا مورد توجه قرار می گیرد.با این حال ، بسیاری از این گردش کار از فرآیندهای مناسب برای رسوبات در منطقه بزرگ استفاده نمی کنند که قابلیت انتقال نتایج را محدود می کند.در حالی که رویکردهای ترکیبی مبتنی بر رسوبات مبتنی بر بخار ذاتاً مقیاس پذیر هستند ، هنوز پتانسیل آنها برای ارزیابی پایداری کنترل شده هنوز مورد سوء استفاده قرار نگرفته است.بر اساس فیلم های نازک MAPBI3 به عنوان یک سیستم نمونه اولیه ، ما یک گردش کار ترکیبی ترکیبی را برای مطالعه تخریب مواد فقط بر اساس عوامل ذاتی نشان می دهیم ، فقط به شرایطی شبیه به شرایط در محدوده های محصور شده است.از طریق یک مجموعه جامع از فلورسانس اشعه ایکس (XRF) ، پراش اشعه ایکس (XRD) و خصوصیات UV-vis ، هدف ما به دست آوردن یک درک جامع از خواص فیلم های نازک از فیلم های نازک و پیر است.از تغییرات فاز حاصل از خصوصیات XRD قبل و بعد از پیری ، رفتارهای پیری Simi-LAR را برای فیلم های نازک MAPBI3 با باقیمانده های مختلف PBI2 مشاهده می کنیم.با استفاده از یک تنظیم پیری در UV-Vis در محل سفارشی ، کتابخانه های ترکیبی در معرض شرایط پیری مرتبط مانند گرما یا قرار گرفتن در معرض تعصب قرار می گیرند.به طور همزمان ، فوتوسکتروسکوپی UV-vis برای به دست آوردن بینش جنبشی در فرآیند پیری انجام می شود که می تواند با فرآیندهای تخریب ذاتی مانند تجزیه اتوکاتالیستی مرتبط باشد.علیرغم اثرات پراکندگی ، که تفسیر متعارف از نتایج UV-Vis In درجا را پیچیده می کند ، ما نشان می دهیم که چگونه یک مدل یادگیری ماشین که بر روی داده های توصیف جامع قبل و بعد از فرآیند پیری آموزش دیده است می تواند تغییرات نوری را به تغییرات فاز در طول پیری پیوند دهد.در نتیجه ، این رویکرد نه تنها مقایسه نیمه کمی از ثبات مواد را قادر می سازد بلکه بینش مفصلی را در مورد فرآیندهای تخریب اساسی ارائه می دهد که در غیر این صورت بیشتر برای تحقیقات در مورد نمونه های منفرد گزارش می شود.