研究背景:
钙钛矿材料因其优异的光电性能，被广泛应用于光伏、LED和激光等领域。然而，当前研究主要集中在通过材料结构预测其光学性能，而基于光学数据逆向预测化学组成的研究仍较为稀缺。本研究旨在填补这一空白，开发一种基于高通量合成和人工神经网络（ANN）的化学空间-性能预测模型，从光谱数据中高效预测钙钛矿的化学组成。
研究方法:
研究团队采用高通量合成技术，借助液体处理机器人生成单卤化物、双卤化物和三卤化物钙钛矿样品。随后，通过紫外-可见光谱、太赫兹拉曼光谱和光致发光光谱进行表征，并利用这些数据训练人工神经网络模型。模型使用多层隐藏层结构，同时处理多个输入和输出变量，确保高效处理复杂的光谱-化学组成关系。
研究结果:
模型测试显示，单独使用紫外-可见光谱数据时，化学组成预测准确率为53.4%；加入太赫兹拉曼光谱数据后，准确率提高至85.1%；当两种数据结合时，准确率进一步提升至91.7%。相比之下，光致发光数据因易受相分离影响，预测结果稳定性较差。本研究提出的模型能够实时预测化学组成，发现材料中的缺陷，并加速新型钙钛矿材料的筛选和生产。
