Sviluppo di un applicativo di machine learning per guidare l’ottimizzazione dell’interfaccia di celle solari a perovskite efficienti

Over the past decades, there has been significant attention focused on Hybrid Halide Perovskites (HPs) as a captivating class of materials with high potential in the field of high-impact optoelectronics, standing out as frontrunners in the emerging field of Photovoltaics (PVs). Nowadays, research on perovskitic solar cells (PSCs) focuses on obtaining devices with high efficiency and stability, so that this technology can be brought to the market. One of the main issues affecting PSCs performance and stability is the presence of various defects within the perovskite absorber and at the corresponding interfaces. To tackle this problem, one of the most widely used techniques involves the passivation of the perovskite active layer of the PSC. Although this method has been extensively explored in multiple works, fully understanding its mechanism and what it is related to is not trivial and makes it difficult to achieve judicious optimization that can guide research beyond the trial and error approach. In this context, machine learning methods may emerge as a valuable tool. In particular they can aid in gaining a deeper understanding of the phenomenon and provide guidance for experimental efforts. This thesis focuses precisely on the application of machine learning methods in order to obtain a more in-depth optimization and understanding of the passivation of the active layer of formamidinium lead iodide (FAPbI_3) perovskite, which is the active layer of the studied PSCs. In particular, we used nine different cations, processed with six different experimental procedure to obtained fifty-four different kind of passivated FAPbI_3 then implemeneted in solar cells. The open circuit voltage Voc of the so obtained PSCs was measured. By using the processing variables and chemical properties of the cations as input and the measured Voc of the PSCs as output, we applied a supervised machine learning approach, in which six different models were trained, tested and validated. In order to quantifies the importance of the processing variables and the different chemical properties of the cations to gain an optimal Voc, we applied the method of SHAP values, a method based on game theory to calculate the weight of each input variable and distribute their contribution to the final prediction, to interpret the best model, i.e. random forest regression, results. Finally, through structural, morphological and optical techniques we looked for a physical interpretation of the results suggested by the machine learning approach. To summarize, the applied machine learning approach resulted in an optimization of the processing variables and a deeper understanding on the influence of the chemical properties of the cations applied for the passivation of the FAPbI_3 active layer. In particular, we obtained that a light halogen in the organic cation and increased flexibility of the molecule lead to Voc optimization. These results confirm the potential of these methods as support for research, ensuring a deeper understanding of the passivation mechanism and providing guidance for experimental efforts.

Negli ultimi decenni, si è concentrato in modo significativo l'interesse sulle perovskiti ibride ad alogenuro (HP), che rappresentano un'affascinante classe di materiali con un elevato potenziale nel campo dell'optoelettronica ad alto impatto, distinguendosi nel campo emergente del fotovoltaico (PV). Oggi la ricerca sulle celle solari a perovskite (PSC) si concentra sull'ottenimento di dispositivi ad alta efficienza e stabilità, in modo da poter introdurre questa tecnologia sul mercato. Uno dei problemi principali che influiscono sulle prestazioni e sulla stabilità delle PSC è la presenza di vari difetti all'interno dell'assorbitore di perovskite e nelle interfacce corrispondenti. Per affrontare questo problema, una delle tecniche più utilizzate prevede la passivazione dello strato attivo di perovskite della PSC. Sebbene questo metodo sia stato ampiamente esplorato in diversi lavori, la piena comprensione del suo meccanismo e dei suoi effetti non è banale e rende difficile ottenere un'ottimizzazione oculata che possa guidare la ricerca oltre l'approccio per tentativi ed errori. In questo contesto, i metodi di machine learning possono emergere come uno strumento prezioso. In particolare, possono aiutare a comprendere più a fondo il fenomeno e fornire una guida per gli sforzi sperimentali. Questa tesi si concentra proprio sull'applicazione di metodi di machine learning per ottenere un'ottimizzazione e una comprensione più approfondita della passivazione dello strato attivo della perovskite di piombo formamidinio (FAPbI_3), che è lo strato attivo delle PSC studiate. In particolare, sono stati utilizzati nove diversi cationi, trattati con sei diverse procedure sperimentali, per ottenere cinquantaquattro diversi tipi di perovskite passivata FAPbI_3, poi utilizzati nelle celle solari. Quindi è stata misurata la tensione a circuito aperto (Voc) delle PSC così ottenute. Utilizzando le variabili di processazione e le proprietà chimiche dei cationi come input e la Voc misurata delle PSCs come output, abbiamo applicato un approccio di machine learning supervisionato, in cui sono stati addestrati, testati e validati sei diversi modelli. Per quantificare l'importanza delle variabili di elaborazione e delle diverse proprietà chimiche dei cationi per ottenere una Voc ottimale, abbiamo applicato il metodo dei valori SHAP, un metodo basato sulla teoria dei giochi per calcolare il peso di ogni variabile di input e distribuire il loro contributo alla previsione finale, per interpretare i risultati del modello migliore, cioè il random forest regression. Infine, attraverso tecniche strutturali, morfologiche e ottiche abbiamo cercato un'interpretazione fisica dei risultati suggeriti dall'approccio applicato basato sul machine learning. In sintesi, l'approccio di machine learning applicato ha portato a un'ottimizzazione delle variabili di processazione e a una comprensione più approfondita dell'influenza delle proprietà chimiche dei cationi applicati per la passivazione dello strato attivo FAPbI_3. In particolare, abbiamo ottenuto che un leggero alogeno nel catione organico e una maggiore flessibilità della molecola portano all'ottimizzazione della Voc. Questi risultati confermano il potenziale di questi metodi come supporto alla ricerca, garantendo una comprensione più approfondita del meccanismo di passivazione e fornendo una guida per gli sforzi sperimentali.