| Processo: | 21/11786-1 |
| Modalidade de apoio: | Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado |
| Data de Início da vigência: | 01 de junho de 2022 |
| Data de Término da vigência: | 31 de maio de 2023 |
| Área de conhecimento: | Ciências Exatas e da Terra - Física - Física da Matéria Condensada |
| Pesquisador responsável: | Gustavo Martini Dalpian |
| Beneficiário: | Fernando Pereira Sabino |
| Supervisor: | Alex Zunger |
| Instituição Sede: | Centro de Ciências Naturais e Humanas (CCNH). Universidade Federal do ABC (UFABC). Santo André , SP, Brasil |
| Instituição Anfitriã: | University of Colorado Boulder, Estados Unidos |
| Vinculado à bolsa: | 19/21656-8 - Métodos de Big Data para ajustar perovskitas às propriedades alvo: ligas, defeitos e dopagem, BP.PD |
| Assunto(s): | Ligas Aprendizado computacional Perovskita Haletos Teoria do funcional da densidade |
| Palavra(s)-Chave do Pesquisador: | alloys | Halide perovskites | machine learning | materials design | Materials Design |
Resumo Perovskitas de haletos pertencem a classe de materiais semicondutores com alto potencial de aplicação em dispositivos fotovoltaicos, especialmente em células solares. O baixo custo de produção, fácil síntese e alta eficiência fazem com que esses materiais sejam candidatos a substituir a atual tecnologia baseada em silício. No entanto, problemas como a alta degradação sob umidade, altas temperatura e outros, e a ao mesmo tempo a composição contendo Pb são grandes empecilhos na utilização em larga escala. Ligas de perovskitas de haletos vêm se tornando uma grande alternativa na redução desses principais problemas, no entanto, a grande quantidade de sistemas que podem ser explorados ultrapassa a escala das dezenas de bilhões de compostos. Do ponto de vista experimental essa exploração é inviável, pois demandaria uma grande quantidade de materiais, tempo e recursos humanos. Neste projeto, propomos um meio de explorar uma grande quantidade de ligas de perovskitas de haletos utilizando a combinação de aprendizado de maquina e teoria do funcional da densidade. Com este mecanismo, é possível prever estruturas que possam ser sintetizadas e as organizar de acordo com aplicações alvos, podendo ser, por exemplo, células solares ou dispositivos emissores de luz. Para este estudo, utilizaremos de técnicas de pré-seleção de materiais, como o fator de tolerância de Goldschmidt e a teoria da ligação de valência. Nestes sistemas, o aprendizado de maquina será utilizado para selecionar os 10% melhores candidatos, onde a estrutura eletrônica será explorada através da teoria do funcional da densidade. Com isso, esperamos fornecer uma grande quantidade de ligas de perovskitas de haletos que tenham alta estabilidade, alta performance em aplicações alvo e que sejam amigáveis ao meio ambiente. Isso daria um caminho mais direcionado para os experimentais explorar as perovskitas de haletos. (AU) | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |