Energy Transfer Kinetics in Mn-doped Lead Halide Perovskite Nanocrystals

Abstract

The introduction of Mn into lead halide perovskite provides considerable opportunities for the improvement of its optoelectronic and magnetic properties. However, an understanding of the complicated dynamics in excited states is necessarily required to fully understand the excited states dynamics within host lattices and competing energy transfer between exciton and dopant. It is challenging to predict Mn sensitization in perovskite nanocrystals because of the competing energy transfer processes, exciton recombination, and Mn recombination, which complicate the excited interactions. Here, we studied the competing processes between exciton recombination and exciton-to-Mn energy transfer dynamics in CsPb(Cl1-yBry)3 nanocrystals (vice versa) by systematically controlling the Mn concentration and halide composition. And we created a machine learning-guided model to predict the degree of Mn sensitization. The K-nearest neighbor (KNN) based machine learning model and the lifetime using time-correlated single photon counting (TCSPC) measurements allows for elucidating the competing exciton-to-energy transfer kinetics in Mn-doped halide perovskites. The understanding of these competitive energy transfer processes can provide insights into how to fully utilize the dual emission properties of transition Mn-doped lead halide perovskite nanocrystals. Also, our machine learning-based approaches not only facilitates efficient navigation the vast reaction design space, but also provide us with valuable insight into complex physical phenomena.|페로브스카이트에 전이 금속 도핑을 통해 페로브스카이트의 전기적, 자기적, 광학적 특성을 개선할 수 있다. 그러나 호스트 격자 내에서 엑시톤과 도펀트 사이의 에너지 전달을 정확히 이해하기 위해서는 여기된 상태에서 발생하는 복잡한 동역학에 대한 이해를 필요로 한다. Mn이 도핑된 페로브스카이트 나노크리스탈 내에서 Mn의 sensitization을 예측하기는 어려운데, 격자 내 호스트에서의 전자와 정공의 재결합, Mn에서의 재결합, 그리고 엑시톤과 Mn사이에서 발생하는 정방향 및 역방향의 에너지 전달 등이 여기상태에서의 상호작용을 복잡하게 하기 때문이다. 이 연구에서는 Mn 도펀트의 농도와 halide의 조성을 변화시켜 CsPb(Cl1-yBry)3 나노크리스탈 내에서 일어나는 exciton과 Mn 사이의 에너지 전달에 관한 동역학을 조사했다. 그리고 에너지 전달에 대해 더 정확한 예측을 얻고자 머신러닝 기법을 도입하였고, 총 86개의 실험데이터를 사용하여 K-nearest neighbor (KNN) 기반의 머신러닝 모델을 설계했다. 이를 통해 Mn의 농도, halide의 조성을 변화시켰을 때 엑시톤에서 Mn으로의 에너지 전달이 어떻게 변화하는지 정확하게 예측할 수 있었다. 또 time-correlated single photon counting (TCSPC)를 이용해 lifetime을 측정함으로써, Mn이 도핑된 페로브스카이트 내에서의 엑시톤-Mn의 에너지 전달에 관한 kinetic에 관한 정보를 얻을 수 있었다. 이러한 복잡한 에너지 전달 과정에 대한 이해는 Mn이 도핑된 페로브스카이트에서 발생하는 dual-emission을 더욱 효과적으로 이용할 수 있게 하는 정보를 제공한다. 또한 머신러닝 기반의 접근은 복잡한 특성을 가진 데이터로부터 패턴을 발견하고 원하는 결과를 더욱 쉽게 예측할 수 있도록 도와줌으로써 연구의 효율을 증가시킬 수 있다.