Abstract X-ray diffraction (XRD) data acquisition and analysis is among the most time-consuming steps in the development cycle of novel thin-film materials. We propose a machine learning-enabled approach to predict crystallographic dimensionality and space group from a limited number of thin-film XRD patterns. We overcome the scarce data problem intrinsic to novel materials development by coupling a supervised machine learning approach with a model-agnostic, physics-informed data augmentation strategy using simulated data from the Inorganic Crystal Structure Database (ICSD) and experimental data. As a test case, 115 thin-film metal-halides spanning three dimensionalities and seven space groups are synthesized and classified. After testing various algorithms, we develop and implement an all convolutional neural network, with cross-validated accuracies for dimensionality and space group classification of 93 and 89%, respectively. We propose average class activation maps, computed from a global average pooling layer, to allow high model interpretability by human experimentalists, elucidating the root causes of misclassification. Finally, we systematically evaluate the maximum XRD pattern step size (data acquisition rate) before loss of predictive accuracy occurs, and determine it to be 0.16° 2 θ , which enables an XRD pattern to be obtained and classified in 5.5 min or less.

Pyrolyzing waste biomass into functionalized biochar is aligned with the concept of the circular economy. The physicochemical properties of biochar are influenced by the type of biomass feedstock and pyrolysis parameters, necessitating significant time, energy, and resources for quantification. This study employed machine learning algorithms to predict the yield, elemental distribution, and degree of aromatization of biochar based on the physical and chemical properties, as well as the pyrolysis conditions of biomass. Support vector machines (SVM), multiple linear regression (MLR), nearest neighbor algorithm (KNN), random forest (RF), gradient boosting regression (GBR), and eXtreme Gradient Boosting (XGB) were comparatively analyzed. Among these algorithms, the XGB algorithm performed well in predicting biochar production and element distribution (R2>0.99). Furthermore, PCC and SHAP analyses revealed a strong positive correlation between pyrolysis temperature and the degree of aromatization in biochar. Therefore, selecting the appropriate ML model can aid in predicting the physicochemical properties of biochar from diverse biomass sources without the necessity for complex and energy-intensive pyrolysis experiments.

Abstract Organic–inorganic copper(I) halides (OICHs) have recently attracted great attentions for their unique optoelectronic properties. However, most of them have poor stability and narrow excitation in UV region, which seriously hinder their applications in efficient white light‐emitting diodes (WLEDs). Herein, 0D (C 19 H 18 P) 2 Cu 4 I 6 with super broad‐band excitation (300–500 nm) and yellow emission with the absolute photoluminescence quantum yield of 87.4% is synthesized in a quantity of gram scale. Specifically, (C 19 H 18 P) 2 Cu 4 I 6 possesses exceptional thermal‐, photo‐, air‐stability, and can maintain efficient emission even if soaked in water, ethyl acetate, and isopropanol over 30 days. WLEDs with remarkable color stability under various driven currents are fabricated using 450, 400, 365, and 310 nm LED chips. The ideal WLEDs based on single (C 19 H 18 P) 2 Cu 4 I 6 by 450 nm LED chip presents high color rendering index of 86.7, and outstanding luminous efficiency of 90 lm W −1 . To the best of the knowledge, this is the highest value that is achieved based on single‐component OICHs using blue light chip. This work not only promotes the prospect of OICHs in WLEDs but also significantly broadens their application in special lighting fields, such as underwater illumination.

Lithium salt-doped spiro-OMeTAD is widely used as a hole-transport layer (HTL) for high-efficiency n-i-p perovskite solar cells (PSCs), but unfortunately facing awkward instability for commercialization arising from the intrinsic Li

Coupled thermoelectric problem significantly affects the performance of electric devices, while there seems to be no method for concurrent multiscale modelling of such problems, which significantly limits the development of advanced electric devices consisting of multiscale structures. To this end, a Direct FE2 (D-FE2) method is proposed for concurrent multiscale modelling of a typical type of coupled thermoelectric problems, i.e., Joule heating effect, in heterogeneous materials and structures. To enforce energy equilibrium and realize information transfer between the macro- and meso-scales, the Hill-Mandel homogenization condition was generalized to account for both thermal and electric energy, while periodic boundary conditions derived from kinematic constraints were prescribed to both electric potential and temperature to link meso-scale RVEs to macro-elements in the D-FE2 model. The proposed D-FE2 method can be easily implemented using the available feature "Multiple Points Constraint (MPC)" in many commercial FE software. A series of numerical examples including steady-state analysis and transient analysis of fiber composites, porous materials and lattice structures validate the favorable accuracy and efficiency of the proposed D-FE2 method in modelling the Joule heating phenomenon in multiscale materials and structures. This also implies the promising potential of the proposed D-FE2 method in modelling and design of large-scale electric devices with multiscale structures.

Zinc Metal Batteries In article number 2401139, Hongqiang Wang, Fei Xu and co-workers develop atomic, encapsulated and zincophilic Sn as seeding/hosting interphase (At-Sn@HCN) for homogeneous nucleation and dendrite-free growth. The atomic-level Sn serves as robust nucleation sites to minimize nucleation barrier while the hollow architecture homogenizes the local charge distribution. Therefore, dense Zn deposition is visualized with neglected Zn loss for At-Sn@HCN. Consequently, the proof-of-concept full cells achieve prolonged cycling life under anode-lean configuration.