王连洲/王志亮/孙世静Adv. Mater.：机器学习指导掺杂剂选择！

背景介绍

具有高效电荷分离和转移（CST）的半导体对于太阳能驱动的光电化学（PEC）生产有价值的燃料生产至关重要。没有缺陷的纯金属氧化物半导体具有低载流子浓度，导致CST动力学缓慢。掺杂策略通常用于通过将外来原子引入半导体来调整电荷载流子转移动力学来解决这个问题。

然而，现有的掺杂剂选择方法主要基于实验试错，不能以可控的方式有效地调节半导体的介电性能。由于掺杂剂选择和经验PEC响应之间复杂的结构-性能关系，预测掺杂剂对光电极PEC性能的影响仍然是一个挑战。研究表明，在半导体光电极中掺杂剂的许多固有特性在掺杂策略中被忽略。因此，掺杂剂的选择仍然是一个反复试验的过程。如何开发一种有效的、通用的掺杂剂选择标准来预测掺杂剂的影响和相应的PEC特性仍是一个尚未解决的问题。

近年来，机器学习（ML）方法在材料科学等许多领域都取得了显著的成就，显示出其在高参数空间预测材料性能方面的优势。ML为澄清掺杂剂的大量特征与掺杂光电极的PEC性能之间的模糊联系提供了一条潜在可行的途径。此外，ML还被用于指导自主聚合物光催化剂的合成和优化。但是，对于基于无机半导体或太阳能驱动的水分解，特别是通过PEC工艺，仍然没有尝试将ML应用于解决在大量化学和加工空间中的问题。

成果简介

近日，澳大利亚昆士兰大学王连洲教授和王志亮博士、美国麻省理工学院孙世静教授（共同通讯作者）等人报道了首次将机器学习（ML）应用于研究掺杂剂选择的关键标准，以改善光电极的PEC响应。作者以氧化铁（Fe2O3）为原型半导体候选材料，使用从17种类型的掺杂剂（每种掺杂剂包含有5种不同的掺杂剂浓度）获得的数据来训练ML模型。

在ML研究中，作者采用了10个本征特征（例如原子序数、离子半径、化学价态等）和1个加工特征（掺杂浓度）作为描述符，并应用了六种不同的算法，包括基线线性回归（LR）、随机森林回归（RF）、梯度提升回归（GB）、支持向量回归（SVR）、K-最近邻回归（KNN）和神经网络（NN）。

利用训练好的ML模型，作者成功地预测了分别掺杂镧（La）和钇（Y）的Fe2O3光阳极的电荷分离和转移（CST）性能。通过使用SHapley Additive exPlanations（SHAP）分析对这些描述符进行重要性排序，评估了PEC过程中化学态、金属-氧（M-O）键形成焓和离子半径对CST的相对影响。ML指导的掺杂剂选择被进一步扩展到典型的CuO基光电阴极设计，从而展示了这种数据驱动方法的一般特性。

图文速递

图1.ML指导掺杂剂选择以实现高效PEC工艺的示意图

图2.比较纯和掺杂Fe2O3光阳极之间的光电流密度

图3. SHAP的分析

图4.ML指导CuO光电阴极的设计

小结

综上所述，机器学习（ML）已被用于为基于金属氧化物的PEC系统中的掺杂剂选择提供深入的指导，重点是典型的Fe2O3光阳极。虽然目前的研究受到数据库规模小和水氧化过程需要更精确描述符的限制，但是仍可以通过改进电荷分离和转移（CST）实现良好的预测，以指导掺杂剂的选择。

实验结果表明，化学态、离子半径和金属-氧（M-O）键形成焓是促进CST的三个最重要的掺杂剂选择标准。通过预测实验中研究的其他掺杂剂和其他基于金属氧化物的系统，进一步证明了这种ML引导方法的多功能性。总之，这些发现为合理预测和设计性能更好的掺杂半导体材料铺平了道路。

文献信息：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.