背景介紹
具有高效電荷分離和轉移（CST）的半導體對於太陽能驅動的光電化學（PEC）生產有價值的燃料生產至關重要。沒有缺陷的純金氧半導體具有低載流子濃度，導致CST動力學緩慢。摻雜策略通常用於透過將外來原子引入半導體來調整電荷載流子轉移動力學來解決這個問題。
然而，現有的摻雜劑選擇方法主要基於實驗試錯，不能以可控的方式有效地調節半導體的介電效能。由於摻雜劑選擇和經驗PEC響應之間復雜的結構-效能關系，預測摻雜劑對光電極PEC效能的影響仍然是一個挑戰。研究表明，在半導體光電極中摻雜劑的許多固有特性在摻雜策略中被忽略。因此，摻雜劑的選擇仍然是一個反復試驗的過程。如何開發一種有效的、通用的摻雜劑選擇標準來預測摻雜劑的影響和相應的PEC特性仍是一個尚未解決的問題。
近年來，機器學習（ML）方法在材料科學等許多領域都取得了顯著的成就，顯示出其在高參數空間預測材料效能方面的優勢。ML為澄清摻雜劑的大量特征與摻雜光電極的PEC效能之間的模糊聯系提供了一條潛在可行的途徑。此外，ML還被用於指導自主聚合物光催化劑的合成和最佳化。但是，對於基於無機半導體或太陽能驅動的水分解，特別是透過PEC工藝，仍然沒有嘗試將ML套用於解決在大量化學和加工空間中的問題。
成果簡介
近日，澳洲昆士蘭大學王連洲教授和王誌亮博士、美國麻省理工學院孫世靜教授（共同通訊作者）等人報道了首次將機器學習（ML）套用於研究摻雜劑選擇的關鍵標準，以改善光電極的PEC響應。作者以氧化鐵（Fe2O3）為原型半導體候選材料，使用從17種型別的摻雜劑（每種摻雜劑包含有5種不同的摻雜劑濃度）獲得的數據來訓練ML模型。
在ML研究中，作者采用了10個本征特征（例如原子序數、離子半徑、化學價態等）和1個加工特征（摻雜濃度）作為描述符，並套用了六種不同的演算法，包括基線線性回歸（LR）、隨機森林回歸（RF）、梯度提升回歸（GB）、支持向量回歸（SVR）、K-最近鄰回歸（KNN）和神經網路（NN）。
利用訓練好的ML模型，作者成功地預測了分別摻雜鑭（La）和釔（Y）的Fe2O3光陽極的電荷分離和轉移（CST）效能。透過使用SHapley Additive exPlanations（SHAP）分析對這些描述符進行重要性排序，評估了PEC過程中化學態、金屬-氧（M-O）鍵形成焓和離子半徑對CST的相對影響。ML指導的摻雜劑選擇被進一步擴充套件到典型的CuO基光電陰極設計，從而展示了這種數據驅動方法的一般特性。
圖文速遞
圖1.ML指導摻雜劑選擇以實作高效PEC工藝的示意圖
圖2.比較純和摻雜Fe2O3光陽極之間的光電流密度
圖3. SHAP的分析
圖4.ML指導CuO光電陰極的設計
小結
綜上所述，機器學習（ML）已被用於為基於金屬氧化物的PEC系統中的摻雜劑選擇提供深入的指導，重點是典型的Fe2O3光陽極。雖然目前的研究受到資料庫規模小和水氧化過程需要更精確描述符的限制，但是仍可以透過改進電荷分離和轉移（CST）實作良好的預測，以指導摻雜劑的選擇。
實驗結果表明，化學態、離子半徑和金屬-氧（M-O）鍵形成焓是促進CST的三個最重要的摻雜劑選擇標準。透過預測實驗中研究的其他摻雜劑和其他基於金屬氧化物的系統，進一步證明了這種ML引導方法的多功能性。總之，這些發現為合理預測和設計效能更好的摻雜半導體材料鋪平了道路。
文獻資訊：Machine learning guided dopant selection for metal oxide based photoelectrochemical water splitting: the case study of Fe2O3 and CuO.
Adv. Mater.
, 2021, DOI: 10.1002/adma.202106776.
