4-7、机器学习加速光伏钙钛矿材料设计
Accelerated discovery of stable lead-free hybrid organic-inorganic perovskites via machine
陆帅华, 周跫桦，王金兰*
东南大学物理学院, 南京, 211189
摘要：近几年，受材料基因组计划和机器学习算法的推动，数据驱动的材料设计方法在材料设计领域取得了巨大成功。该方法采用机器学习技术，仅依赖已有的材料数据便可快速对材料的某一性质做出预测，同时也可以从材料数据中挖掘出基本的材料构效关系，从而实现对特定性能材料的快速筛选。这一方法既不需要求解复杂的量子力学，也不需要大量的实验，对于难以用传统方法大规模实验和计算的材料体系研究将会十分有效。本报告将介绍本课题组在机器学习材料设计方面的最新研究进展: 1) 基于机器学习设计稳定的无铅有机无机杂化钙钛矿材料；2）无机混X位铁电光伏钙钛矿材料的机器学习设计1；3）机器学习材料设计程序包。这些研究工作在一定程度上扩展了机器学习技术在功能材料设计领域的应用范围，为钙钛矿材料在光伏领域的应用提供了理论基础和理论指导。
关键词：机器学习；有机无机杂化钙钛矿；铁电光伏；第一性原理计算
通讯作者：王金兰，电话：+86-25-52090600-8210，Email: jlwang@seu.edu.cn
参考文献:
Lu, S. et al. Accelerated discovery of stable lead-free hybrid organic-inorganic perovskites via machine learning. Nat. Commun. 9, 3405, (2018).
DOI:10.12110/secondfmge.20181014.407
王金兰，东南大学物理学院教授、博士生导师、东南大学特聘教授、国家杰出青年获得者、国务院政府特殊津贴获得者。2002年毕业于南京大学物理系，2003-2005年在美国Argonne 国家实验室化学部从事博士后研究。2005年底由东南大学引进。2006年入选教育部新世纪优秀人才支持计划，2013年获江苏省杰出青年基金、2015年获国家杰出青年基金、2016年获江苏省“333”领军人才支持计划。长期从事低维材料结构与物理化学性质的理论研究工作，主持多项国家自然科学基金与国家重点研发计划。发表SCI论文180余篇，影响因子10以上论文30余篇、其中Science 1篇、Nat. Commun. 7篇、J. Am. Chem. Soc. 5 篇、Angew. Chem. Int. Ed. 5 篇（封面热点文章1篇）、Nano Lett/ACS Nano/Adv Mater 13篇，受邀撰写英文综述3篇。引用超过6000次, H-index 40，连续四年入选“Elsevier中国高被引学者名单（2014-2017）”。