Bu araştırma, enerji dönüşümü ve elektronik uygulamalarında kullanılan katı malzemelerin hasardan sonra kendi işlevlerini yeniden kazanabilme potansiyelinin, temel bağ karakteri özelliklerinden tahmin edilip edilemeyeceğini inceliyor. Araştırmacılar iyoniklik, bağıl yapısal polarizasyon (Relative Structural Polarization, RSP), optik deformasyon potansiyeli (Optical Deformation Potential, ODP) ve sertlik olmak üzere dört malzeme tanımlayıcısını bir araya getiriyor. Küratörlü ana veri setinde 10.486 veri noktası ve genel olarak 8209 malzeme bulunuyor; makine öğrenmesi sınıflandırması için ise mekanizma sınıfı bilinen veya araştırmacılar tarafından benzerliği üzerinden atanan 88 malzeme kullanılıyor. Elde edilen ODP–RSP haritası, öz-iyileşme davranışını iki temel mekanizma bölgesine ayırıyor: kinetik olarak kararlı kusurların hareketine dayanan Class I ve dinamik kafes ile termodinamik olarak kararlı yapıların yeniden düzenlenmesine dayanan Class II. Ancak bu çerçeve yeni aday malzemelerde öz-iyileşmeyi doğrudan deneysel olarak kanıtlamıyor; özellikle bazı eğitim etiketleri çıkarıma dayanıyor ve veri setindeki RSP, ODP ve hardness kapsamı eşit değil.

Çalışmanın merkezindeki fikir, bir malzemenin hasar gördükten sonra iyileşebilmesi için yalnız “güçlü” veya “yumuşak” olmasının yeterli olmadığıdır. Hasar yapısal kusurlar oluşturduğunda atomların veya iyonların, kullanım sıcaklığında bu kusurları ortadan kaldırabilecek kadar hareketli olması gerekir. Aynı zamanda hasarlı yapı çok derin bir metastabil enerji çukuruna kilitlenmemelidir. Araştırmacılar bu nedenle öz-iyileşmeyi bağ kuvveti, bağın iyonik veya kovalent niteliği ve kafesin atomik yer değiştirmeye verdiği tepkiyle ilişkilendirmektedir.

ODP ve RSP'nin birlikte kullanılması özellikle iki mekanizma sınıfını ayırmak için öne çıkmaktadır. Class I malzemeler genel olarak negatif ODP ve yaklaşık 1 civarında RSP değerleriyle, kusur aracılı klasik iyon iletiminin bulunduğu daha statik iyonik kafeslerle ilişkilendirilmektedir. Class II bölgesinde ise pozitif veya sıfıra yakın ODP, 1'in üzerinde RSP ve kovalent kristaller için görece düşük sertlik; antibonding/itici kovalent karaktere, sığ enerji peyzajına ve dinamik atomik düzensizliğe işaret etmektedir. Araştırmacıların lineer SVM karar sınırının normalize edilmiş eğimi −0,992'dir; bu sonuç ODP ile log-ölçekli RSP'nin sınıf ayrımında yaklaşık benzer ağırlık taşıdığı şeklinde yorumlanmaktadır.

Model, yalnız daha önce öz-iyileştiği bilinen malzemeleri sınıflandırmak için kullanılmamıştır. Araştırmacılar BiVO₄, BaZrS₃, Ba₂HfO₄, PbTe, PbSe, PbS ve bazı Ba–Cu–Y kalkojenürlerini Class II bölgesinde yeni veya daha az incelenmiş adaylar olarak belirlemektedir. Bu sonuçların anlamı, söz konusu bileşiklerin kesin olarak öz-iyileştiğinin gösterildiği değil, bağ-karakteri haritasına göre deneysel öz-iyileşme testleri için önceliklendirilebilecekleri yönündedir.

Türkiye açısından: Çalışma, Türkiye'deki güneş hücresi, katı elektrolit, yakıt hücresi, optoelektronik ve enerji malzemeleri araştırmaları için doğrudan bir “hazır malzeme reçetesi” vermemektedir; ancak yeni bir bileşiğin uzun ömürlü olup olmayacağını yalnız cihaz performansından değil, bağ karakterinden başlayarak incelemek için kullanılabilecek bir tarama yaklaşımı sunmaktadır. Özellikle yüksek maliyetli deneylere geçmeden önce RSP ve ODP gibi hesaplanabilir tanımlayıcılarla aday havuzunu daraltmak araştırma planlamasında yararlı olabilir. Bunun Türkiye'de geliştirilecek belirli bir güneş hücresi, batarya veya yakıt hücresi malzemesinde gerçek dayanıklılık artışına dönüşmesi için yerel sentez koşullarında ve gerçek çalışma çevrimlerinde deneysel doğrulama gerekir.

Öz-iyileşme ile öz-onarım aynı şey mi?

Çalışma iki kavramı açık biçimde ayırmaktadır. Self-repair (SR), hasarlı malzemenin toparlanması için dışarıdan ilave enerji veya malzeme kaynağı kullanılmasıdır. Self-healing (SH) ise malzemenin işlevsel kullanım koşullarında, harici bir onarım kaynağı olmadan hasarlı durumdan işlevsel olarak eski durumuna dönebilmesidir.

Öz-iyileşmenin pratik değeri yalnız iyileşmenin mümkün olmasına değil, ne kadar hızlı gerçekleştiğine de bağlıdır. Araştırmacılar güneş hücresini örnek verir: bir hasarın gece boyunca tamamen toparlanması pratik olabilirken, aynı iyileşmenin kullanım işlevine göre çok uzun sürmesi sürdürülebilirlik açısından yararlı olmayabilir.

Bir kristalin kendi kendini iyileştirebilmesi için ne gerekir?

Hasar, başlangıçtaki termodinamik veya işlevsel olarak kararlı kristal durumunu bozarak kusurlar meydana getirir ve sistemin serbest enerjisini yükseltir. Öz-iyileşebilmesi için malzemenin atom veya iyonları kusurlu yapıdan tekrar düşük enerjili yapıya gidebilmelidir.

Çalışmanın temel koşullarından biri, atomların hareket edebildiği enerji peyzajındaki aktivasyon bariyerinin termal olarak erişilebilir olmasıdır. Yazarlar öz-iyileşmeyle ilişkili eşik enerji ölçeğini yaklaşık:

\[ E_{thr}\approx 3-5\,k_BT \]

olarak ele almaktadır. Burada \(k_B\) Boltzmann sabiti, \(T\) ise Kelvin cinsinden çalışma sıcaklığıdır.

Ayrıca en az bir atom veya iyon türünün, birkaç kafes hücresi boyunca pratik bir zaman aralığında hareket edebilmesi gerekir. Çalışmada onlarca nanometre ölçeğinde yaklaşık bir saat içinde yeniden düzenlenebilme için kabaca:

\[ D \gtrsim 10^{-15}\;cm^2/s \]

mertebesinde bir difüzyon katsayısı yol gösterici eşik olarak tartışılmaktadır.

Enerji peyzajının önemi çalışmanın ilk mekanizma görselinde belirgindir. Öz-iyileşebilen kafes için sığ enerji kuyuları ve düşük göç bariyerleri gösterilirken, öz-iyileşemeyen kafeste yüksek deformasyon bariyerleri ile yerel kusurların derin enerji çukurlarında tutulduğu gösterilmektedir. Bu görselin temel mesajı, yapısal hareketliliğin yalnız sıcaklığa değil, bağların oluşturduğu enerji peyzajının şekline de bağlı olduğudur.

Neden dört farklı bağ tanımlayıcısı kullanılıyor?

Tek bir ölçüm, malzemenin bağ tipini ve atomik hareketliliğini bütünüyle açıklamamaktadır. Araştırmacılar bu nedenle dört tamamlayıcı tanımlayıcı seçmiştir:

• İyoniklik: bağ oluşurken atomlar arasındaki elektron yükü aktarımının derecesi.
• RSP: atomik/iyonik polarizasyonun elektronik polarizasyona göre büyüklüğünü ölçen yapısal yanıt tanımlayıcısı.
• ODP: gerinim veya basınç altında elektronik bant aralığının değişimini kullanarak kafes deformasyonunun elektronik enerji maliyetini yansıtan tanımlayıcı.
• Sertlik: malzemenin plastik deformasyona karşı direnci; özellikle kovalent kristallerde yerel bağ kuvveti hakkında deneysel bilgi verebilen teknik özellik.

Araştırmacıların yaklaşımında bu dört parametre doğrudan “öz-iyileşme miktarı” değildir. Bunlar öz-iyileşmeye izin veren bağ karakteri ve atomik hareketlilik mekanizmasının dolaylı göstergeleridir.

İyoniklik nasıl tanımlanıyor?

Çalışmada iyoniklik, atomlar arasında bağ oluşumu sırasında aktarılan elektron yükünün 0 ile 1 arasındaki payı olarak ele alınmaktadır. Kullanılan Pauling temelli tanım:

\[ f_i' = 1-\frac{N}{CN} e^{-\frac{(\chi_A-\chi_B)^2}{4}} \]

şeklindedir. Burada \(N\) anyon valansı, \(CN\) koordinasyon sayısı ve \(\chi_A-\chi_B\) iki atom arasındaki elektronegatiflik farkıdır.

İkiden fazla element içeren bileşiklerde araştırmacılar her katyon–anyon çifti için iyonikliği ayrı hesaplamış ve daha sonra bu değerleri ortalamıştır. Koordinasyon sayısının belirlenmesinde pymatgen'in kimyasal koordinasyon çevresi araçları kullanılmıştır.

RSP neyi ölçüyor?

Relative Structural Polarization, kristalin elektrik alan karşısındaki atomik yer değiştirme katkısını elektronik yer değiştirme katkısına göre ifade etmektedir:

\[ RSP= \frac{d\vec{D}_{atom}} {d\vec{D}_{elec}} = \frac{\varepsilon_s}{\varepsilon_\infty}-1 \]

Burada \(\varepsilon_s\) statik permitiviteyi, \(\varepsilon_\infty\) ise yüksek frekanslı elektronik permitiviteyi temsil eder.

Çalışmanın bağ-karakteri yorumuna göre:

• çekici kovalent karakteri baskın yarıiletkenlerde genellikle \(RSP<1\),
• baskın iyonik karakterli sistemlerde yaklaşık \(RSP\approx1\),
• itici/antibonding kovalent katkısı bulunan bazı yarıiletkenlerde \(RSP>1\)

beklenmektedir.

RSP'nin öz-iyileşme açısından önemi, elektriksel pertürbasyon altında atomların ne kadar kolay yer değiştirebildiğiyle ilişkilendirilmektedir. Daha yüksek yapısal polarizasyon, bazı malzeme ailelerinde daha sığ bir atomik enerji peyzajının ve dinamik kafes davranışının işareti olabilir.

ODP neyi anlatıyor?

Optical Deformation Potential, bant aralığının hacimsel gerinime duyarlılığını ifade eder:

\[ ODP= \frac{dE_g}{d\ln V} = -B\frac{dE_g}{dP} \]

Burada \(E_g\) bant aralığı, \(V\) hacim, \(P\) basınç ve \(B\) bulk elastic modulus'tür.

Klasik çekici kovalent yarıiletkenlerde ODP çoğunlukla negatiftir. Buna karşılık değer sıfıra yaklaştığında veya pozitif olduğunda, çalışma bunu valans bandında antibonding/itici karakterin ve daha kolay atomik yeniden düzenlenmenin olası göstergelerinden biri olarak değerlendirmektedir.

Bu nedenle pozitif ODP tek başına öz-iyileşme kanıtı değildir; ancak yüksek RSP ve uygun diğer bağ özellikleriyle birlikte Class II mekanizması için güçlü bir işaret olarak kullanılmaktadır.

Sertlik neden diğer üç parametreden farklı?

Sertlik doğrudan temel fizik sabitlerinden türetilen bir parametre değildir; numune geçmişi, sentez, mikro yapı, kusurlar ve ölçüm yöntemi tarafından etkilenebilen teknik bir özelliktir.

Kovalent kristallerde sertlik daha güçlü biçimde yerel bağ kuvvetleriyle ilişkilendirilebildiğinden, düşük sertlik zayıf veya elektron açısından eksik/antibonding karakterde bağlara işaret edebilir. Bu nedenle araştırmacılar kovalent sistemlerde düşük hardness değerini Class II dinamik kafes davranışı için yardımcı bir gösterge olarak görmektedir.

İyonik kristallerde ise dislokasyon etkileşimleri ve numunenin işlenme geçmişi hardness değerini güçlü biçimde etkilediği için aynı kestirim gücü bulunmamaktadır. YBCO için literatürde tek kristallerde yaklaşık 3–10,8 GPa, polikristal örneklerde ise çok daha düşük ve birbirinden farklı değerlerin bulunması bu soruna örnek olarak gösterilmektedir.

Class I öz-iyileşme mekanizması nedir?

Class I, çalışmada static-lattice / kinetically stabilized mekanizma olarak tanımlanmaktadır. Kristal kafes genel olarak statik ve iyonik karakterdedir; hareketli iyonlar mevcut vacancy veya interstitial gibi kinetik olarak kararlı kusurlar üzerinden göç eder.

Bu mekanizmada öz-iyileşme için gerekli kütle aktarımı, kusur aracılı klasik iyon iletiminden gelir. Sıcaklık yükseldikçe iyon difüzyonu arttığı için birçok Class I malzemesi yüksek sıcaklıkta daha etkin davranır.

Çalışmada Class I ile ilişkilendirilen örnek gruplar arasında:

• alkali halojenürler,
• bazı β-fazlı gümüş halojenürleri,
• CuInSe₂ ve CuGaSe₂/CIGS ailesi,
• bazı kalkohalojenür iyon iletkenleri,
• Li₆PS₅X katı elektrolitleri,
• katı oksit yakıt hücresi için bazı oksit seramikler

bulunmaktadır.

ODP–RSP haritasında bu sınıfın genel konumu negatif ODP ile yaklaşık 1 civarındaki RSP bölgesidir.

Class II mekanizması neden “dinamik kafes” olarak adlandırılıyor?

Class II, dynamic-lattice / thermodynamically stabilized mekanizmadır. Bu sınıfta bağ yapısında iyonik karakterle birlikte itici antibonding kovalent katkı bulunabilir. Bu bağ karakteri atomların denge konumlarının daha esnek olmasını ve kafeste güçlü dinamik düzensizlik oluşmasını destekleyebilir.

Sığ enerji peyzajında atomlar farklı yerel konumlar arasında daha kolay hareket edebildiğinden hasar sonucu oluşan lokalize kusurların ortadan kalkması için daha fazla yeniden düzenlenme yolu oluşur.

Halojenür perovskitler bu davranışın temel örneklerinden biridir. Öz-iyileşme özelliği deneysel olarak çalışılmış MAPbI₃ için kaynak:

• ODP: 1,2 eV
• RSP: 5,7

değerlerini vermektedir ve malzemeyi dinamik disorder nedeniyle Class II ile ilişkilendirmektedir.

ODP–RSP haritasında malzeme aileleri nasıl dağılıyor?

Araştırmanın malzeme haritası altı temel aileyi karşılaştırmaktadır: halide perovskites, alkali halides, coinage metal halides, chalcohalides, chalcopyrites ve possible ceramics for SOFCs.

Her aile aynı noktada toplanmamaktadır. Örneğin halojenür perovskitlerde Ge, Sn ve Pb tabanlı bileşiklerin önemli bir bölümü pozitif ODP ve RSP>1 alanına yaklaşırken, Au tabanlı perovskitlerin ODP değerleri yaklaşık −1,2 eV çevresinde ayrı bir alt küme oluşturmaktadır.

Alkali halojenürler ise yaklaşık 0,6–2 RSP aralığında ve −6 ile −1 eV arasındaki negatif ODP bölgesinde daha dar bir yapı sergilemektedir. Bu davranış Class I iyonik iletim mekanizmasıyla uyumludur.

Kalkohalojenür ailesinde RSP yaklaşık üç mertebe değişebildiğinden aynı aile içinde Class I ve Class II karakterleri birlikte bulunabilmektedir. Yazarlar bu grupta metal katyonunun bağ karakterini ve dolayısıyla mekanizma sınıfını güçlü biçimde etkileyebileceğini tartışmaktadır.

Halojenür perovskitler neden özel bir konumda?

Halide perovskitler ABX₃ yapısındaki malzemelerdir ve fotovoltaik, LED, fotodedektör ve kataliz gibi uygulamalarda önem taşır. Çalışmaya göre bu malzemelerin bazılarında antibonding kovalent karakter ve oktahidral tilt gibi güçlü dinamik lattice disorder özellikleri görülmektedir.

Pb tabanlı perovskitler yaklaşık RSP≈5 civarında ve 0–4 eV pozitif ODP aralığında bir alt küme oluştururken Ge ve Sn tabanlı malzemeler de pozitif ODP bölgesinde yer almaktadır.

Ancak burada önemli bir yöntem sınırı vardır: çalışmanın veri setindeki halojenür perovskitlerin çoğunda öz-iyileşmenin doğrudan deneysel olarak bilinmediği belirtilmektedir. Araştırmacılar bunları MAPbI₃ gibi öz-iyileşme mekanizması bilinen yakın bileşiklere ODP–RSP benzerliği nedeniyle Class II eğitim grubuna dahil etmiştir. Dolayısıyla bu etiketlerin tümü doğrudan deneysel gözleme dayanmamaktadır.

Alkali halojenürler Class I davranışını nasıl gösteriyor?

Alkali halojenürler yüksek sıcaklıklarda güçlü iyon iletkenliği gösterebilir. Örneğin NaCl için çalışma ODP değerini −3,8 eV ve RSP değerini 1,5 olarak vermektedir.

Na⁺ difüzyon katsayısı yaklaşık 370 °C'de \(1,8\times10^{-12}\) cm²/s iken 780 °C'de \(1,3\times10^{-8}\) cm²/s'ye kadar çıkmaktadır. Cl⁻ için aynı sıcaklık aralığında yaklaşık \(1,6\times10^{-13}\) ile \(5,5\times10^{-9}\) cm²/s değerleri aktarılmaktadır.

Sıcaklıkla güçlü biçimde artan bu klasik kusur aracılı iyon hareketliliği, araştırmacıların NaCl benzeri sistemleri Class I içinde değerlendirmesinin temelidir.

Gümüş halojenürlerinde iki mekanizma birden görülebilir mi?

β-AgI, β-AgBr ve β-AgCl klasik iyon iletimi nedeniyle Class I davranışına örnek gösterilmektedir. Buna karşılık süperiyonik α-AgI fazında güçlü anharmonik bağlar ve dinamik düzensizlik bildirilmiş olması, bu fazı Class II mekanizmasına yaklaştırmaktadır.

Araştırmacılar Ag tabanlı malzemelerin SVM karar sınırının örtüşme bölgesinde bulunmasını da bu geçiş karakteriyle ilişkilendirmektedir. Başka bir ifadeyle iki mekanizma tamamen ayrık kimyasal kutular olarak değil, bazı bileşiklerin yaklaşabildiği iki fiziksel uç durum olarak düşünülmektedir.

CIGS neden enerji dönüşümü açısından önemli bir Class I örneği?

Cu(In,Ga)Se₂ veya CIGS, ince film güneş hücrelerinde kullanılan kalkopirit yapılı bir yarıiletkendir. Çalışmada Cu⁺ iyonlarının vacancy ve interstitial kusurlar üzerinden hareket edebilmesi nedeniyle Class I ile ilişkilendirilmektedir.

CuInSe₂ için yaklaşık 400 °C'de Cu⁺ difüzyon katsayısı yaklaşık \(10^{-10}\) cm²/s olarak aktarılmaktadır. Bununla birlikte kalkopiritlerde hesaplanmış ve deneysel RSP değerleri arasında önemli uyumsuzluklar bulunduğundan yazarlar bu aile için modellerinin dikkatli kullanılmasını istemektedir.

Katı oksit yakıt hücresi seramiklerinde neden veri problemi var?

Solid oxide fuel cell (SOFC) seramiklerinde oksijen vacancy'leri yüksek sıcaklıkta oksit iyonu taşınımını mümkün kılar; bu nedenle mekanizma genel olarak Class I karakterindedir.

Ancak yazarlar bilinen SOFC seramikleri için gerekli ODP verisini literatürde yeterli düzeyde bulamamıştır. Bazı malzemelerde RSP değerleri de hesaplanmış ve deneysel veriler arasında geniş saçılım göstermektedir.

Bu nedenle çalışma, SOFC seramiklerinin model tarafından tahmin edilmesini özellikle zayıf alanlardan biri olarak tanımlamaktadır. Yeni yüksek kaliteli ODP/RSP ölçümleri olmadan bu gruptaki sınıflandırmanın genellenmesi uygun değildir.

SVM sınıflandırması nasıl yapıldı?

Makine öğrenmesi aşamasında mekanizma sınıfı bilinen veya araştırmacılar tarafından bilinen malzemelere benzerliğine göre atanmış toplam 88 farklı malzeme kullanılmıştır.

Supervised model olarak Support Vector Machine uygulanmıştır:

• Kernel: linear
• Regularization parameter: C = 1
• Özellikler: ODP ve RSP
• Hedef: Class I / Class II mekanizma ayrımı

SVM'nin amacı iki mekanizma grubu arasındaki marjini en büyük yapan karar sınırını bulmaktır.

Karar doğrusunun ODP ile log-ölçekli RSP standart sapmalarına göre normalize edilmiş eğimi −0,992 olarak raporlanmıştır. Yazarlar bunun iki parametrenin sınıf ayrımına kabaca eşit düzeyde katkı verdiğini gösterdiğini savunmaktadır.

Gaussian Mixture neden ayrıca kullanıldı?

SVM sınıf etiketlerini kullanarak supervised öğrenme yaparken, Gaussian Mixture aynı veri dağılımında etiket olmadan kümeler aramaktadır. Model expectation–maximization algoritmasıyla iki Gaussian dağılımını belirleyerek noktaları olasılıksal biçimde iki kümeye ayırmıştır.

Gaussian Mixture sonucunda ortaya çıkan iki ana kümenin SVM ile tanımlanan Class I ve Class II bölgeleriyle genel olarak örtüşmesi, araştırmacılar tarafından mekanizma ayrımının yalnız seçilmiş etiketlerin sonucu olmadığı yönünde tamamlayıcı kanıt olarak yorumlanmıştır.

Bununla birlikte sınıflandırma veri kümesinin yalnız 88 malzeme içermesi ve bazı sınıf etiketlerinin doğrudan öz-iyileşme deneyinden gelmemesi nedeniyle bu örtüşme evrensel bir malzeme yasası olarak değerlendirilmemelidir.

SVM haritasındaki iki sınıfın genel imzası nedir?

Bu tablo mutlak eşik sistemi değildir. Araştırmanın kendi verisinde Ag tabanlı bazı malzemeler iki sınıfın örtüşme bölgesine girmekte ve bazı bileşiklerin her iki mekanizmanın özelliklerini birlikte taşıyabileceği tartışılmaktadır.

Hardness–RSP haritası ne ekliyor?

ODP ve RSP verilerinin büyük bölümü hesaplamaya dayanırken hardness deneysel olarak ölçülebilen bir parametredir. Bu nedenle hardness–RSP haritası, tamamen hesaplamalı tanımlayıcıların dışında bağımsız bir deneysel perspektif sağlamaktadır.

Haritada iyoniklik arttıkça genel olarak hardness'ın azaldığı ve RSP'nin yükseldiği bir eğilim görülmektedir. Halide perovskites ve Sb-chalcohalides gibi Class II grupları yaklaşık 1 GPa mertebesindeki düşük microhardness çevresinde toplanırken klasik III–V yarıiletkenleri yaklaşık 2–10 GPa aralığında daha sert bir bölge oluşturmaktadır.

Fakat hardness yalnız kovalent kristallerde güvenilir bir öz-iyileşme göstergesi olarak önerilmektedir. İyonik malzemelerde dislokasyonlar ve numune geçmişi hardness'ı çok güçlü etkileyebilir.

Çalışmanın ana veri seti ne kadar eksiksiz?

Araştırmacılar toplam 10.486 veri noktasından oluşan küratörlü veri setinde dört parametrenin aynı ölçüde mevcut olmadığını açık biçimde göstermektedir. Genel olarak 8209 farklı malzeme bulunduğu; bir malzeme için birden fazla değer olduğunda değerlerin ortalandığı belirtilmektedir.

ODP verisi %93 ile oldukça geniş kapsama sahipken hardness yalnız %7,7'dir. RSP kapsamı %35,9 düzeyindedir ve bunun büyük bölümü hesaplamalı permitivite verilerinden türetilmiştir. Dolayısıyla modelin fiziksel fikri dört parametreye dayansa da gerçek veri yoğunluğu parametreler arasında büyük ölçüde farklıdır.

Table 1'in tam sayıları ne söylüyor?

Tablo, araştırmanın önemli sınırlılığını nicel olarak gösterir: ODP kayıtlarının neredeyse tamamı hesaplamalıdır ve deneysel ODP yalnız sekiz veri noktasıdır. RSP kayıtlarının da büyük çoğunluğu hesaplamalıdır. Hardness ise çalışmada tamamen deneysel bir parametre olarak kullanılmıştır.

Kaynak-içi tablo notu: Hardness satırında 808 toplam mevcut kayda karşı 807 deneysel ve 0 hesaplanmış kayıt verilmiştir. Ionicity satırında ise 8576 hesaplanmış kayıt bulunmasına rağmen kaynak bu sütunun yüzdesini %82,7 olarak yazmaktadır. Bu sayısal uyuşmazlıklar düzeltilmeden kaynak notunda ayrıca belirtilmiştir.

RSP verilerinde neden özel bir güvenilirlik sorunu var?

RSP değerlerinin büyük bölümü Materials Project'teki hesaplanmış iyonik ve elektronik permitivitelerden türetilmiştir. Deneysel permitivite verileri MPDS ve başka kaynaklardan eklenmiştir.

Yazarlar hesaplamalı elektronik permitivitenin bazı modellerde sistematik biçimde yüksek tahmin edilebildiğine ve Materials Project'in hesaplanmış değerlerde yaklaşık ±%25'e kadar bağıl sapma bildirdiğine dikkat çekmektedir.

Özellikle kalkopiritlerde bazı hesaplanmış RSP değerleri deneysel sonuçlardan çok büyük ölçüde ayrılmaktadır. Bu durum, yalnız veri miktarının değil veri kalitesi ve model kaynaklı sistematik hataların da sınıflandırmanın genellenebilirliğini sınırlandırdığını göstermektedir.

ODP veri seti neden ağırlıklı olarak hesaplamalı?

Deneysel ODP ölçümleri literatürde seyrektir. Çalışmanın Table 1'ine göre 9756 ODP kayıt noktasının yalnız 8'i deneysel, 9748'i hesaplanmış veridir.

Bu nedenle ODP–RSP haritasının büyük bölümünün fiziksel kavramı ölçülebilir olsa bile gerçek uygulaması hesaplama veri tabanlarına dayanmaktadır. Araştırmacılar bunu modelin yeni malzemelere genellenmesindeki temel sınırlamalardan biri olarak açıkça kabul etmektedir.

Model hangi yeni öz-iyileşme adaylarını öneriyor?

ODP–RSP karar bölgesi kullanılarak farklı malzeme ailelerinden Class II ile uyumlu adaylar seçilmiştir. Bu adaylar “kanıtlanmış öz-iyileşen malzemeler” değil, deneysel araştırma için önerilen bileşiklerdir.

Bu sayısal konumlar, malzemelerin haritadaki Class II alanına düştüğünü göstermektedir. Araştırma bu bileşiklere kontrollü hasar verip işlevsel toparlanmalarını ölçmemiştir.

BiVO4 neden dikkat çekici bir aday?

BiVO₄, su ayrıştırma gibi fotokatalitik uygulamalarda kullanılan bir oksittir. Çalışmada RSP = 6,6 ve ODP = 0,9 eV değerleriyle Class II kümesinin içine yerleştirilmektedir.

Yazarlar bu tahmini Bi³⁺ iyonunun yüksek lone-pair polarizability nedeniyle kafeste dinamik yer değiştirme gösterebildiğine dair daha önceki deneysel bulgular ve valans bandındaki antibonding karakterle uyumlu bulmaktadır.

Ancak mevcut çalışma BiVO₄'ün hasar sonrası kendiliğinden fonksiyonel toparlanmasını doğrudan test etmemektedir. Bu nedenle sonuç bir deneysel öz-iyileşme kanıtı değil, bağ karakterine dayalı aday önceliklendirmesidir.

BaZrS3 neden fotovoltaik açısından ilginç?

BaZrS₃ için ODP = 1,2 eV ve RSP = 3,8 değerleri verilmektedir. Bu konum Class II dinamik kafes bölgesine düşmektedir.

Malzeme daha önce güneş hücresi absorber adayı olarak incelendiği için, öz-iyileşme potansiyeli doğrulanabilirse fotovoltaik dayanıklılık açısından ayrıca ilgi çekici olabilir. Çalışmanın önerisi tam olarak budur; gerçek güneş hücresinde daha uzun kullanım ömrü bu makalede ölçülmemiştir.

Kurşun kalkojenürleri ve halojenürleri ne gösteriyor?

PbSe, PbTe, PbS ve PbI₂ gibi çeşitli Pb bileşikleri pozitif ODP ve yüksek RSP kombinasyonuyla Class II bölgesine düşmektedir.

Örneğin PbTe için kaynak hardness = 0,33 GPa, ODP = 1,8 eV ve RSP = 24,9 değerlerini vermektedir. Düşük hardness, yüksek RSP ve pozitif ODP birlikteliği araştırmacıların Class II için önerdiği repulsive-covalent/dynamic-lattice karakterle uyumludur.

Bu materyaller için bağ özelliklerinin uygun olması, belirli çalışma sıcaklığında, hasar türünde ve cihaz yapısında mutlaka pratik öz-iyileşme gerçekleşeceği anlamına gelmez.

Çalışma veri bilimi açısından ne söylüyor?

Araştırmanın tartışma bölümündeki güçlü mesajlardan biri, modern malzeme biliminin “büyük veri” çağında olmasına rağmen kritik fiziksel özelliklerde veri eksikliğinin hâlâ çok ciddi olmasıdır.

Yazarlar RSP, ODP ve hardness gibi temel özelliklerin birçok malzeme için ya hiç ölçülmediğini ya da farklı deney koşullarında birbirleriyle uyumsuz biçimde raporlandığını belirtmektedir.

Bu nedenle gelecekte doğal dil işleme ile literatür madenciliği, kapalı çevrim yapay zekâ sistemleri, robotik sentez ve otonom laboratuvarların binlerce yüksek kaliteli veri noktası üretmesi gerektiği savunulmaktadır. Bununla birlikte araştırmacılar LLM veya otomatik veri çıkarımının gerçek bilimsel kaynak kontrolünün yerine geçmemesi gerektiğini de açıkça belirtmektedir.

Pratikte yeni bir malzeme nasıl taranabilir?

Çalışmanın önerdiği pratik yol üç basamaktır:

1. Öz-iyileşme açısından incelenecek malzeme veya malzeme grubunu seçmek.
2. Mümkün olduğunda ionicity, RSP, ODP ve hardness değerlerini ölçmek, hesaplamak veya güvenilir literatürden toplamak. İlk tarama için yalnız RSP ve ODP de kullanılabilir.
3. Elde edilen değerleri mevcut Class I/Class II malzeme kümeleriyle karşılaştırarak olası mekanizma sınıfını belirlemek ve daha sonra bu tahmini gerçek hasar–iyileşme deneyleriyle sınamak.

Bu iş akışı malzeme keşfinin son aşaması değil, pahalı ve zaman alan deneylerden önce kullanılan hipotez üretme katmanıdır.

Çalışmanın desteklediği sonuçlar

• ODP ve RSP birlikte kullanıldığında incelenen veri setindeki iki temel öz-iyileşme mekanizma sınıfı ayrılabilmektedir.
• Class I malzemeler genel olarak negatif ODP ve yaklaşık 1 civarında RSP ile, kusur aracılı iyon taşınımının baskın olduğu statik kafeslerle ilişkilidir.
• Class II malzemeler genel olarak pozitif ODP, yüksek RSP ve kovalent kristallerde düşük hardness ile, dinamik ve antibonding karakter taşıyan kafeslerle ilişkilidir.
• Lineer SVM ve Gaussian Mixture analizleri veri içinde iki ana mekanizma bölgesinin bulunduğunu göstermektedir.
• SVM karar sınırının normalize edilmiş eğimi −0,992'dir ve yazarlar ODP ile RSP'nin sınıf ayrımında yaklaşık eşit önem taşıdığını yorumlamaktadır.
• Ana veri seti 10.486 veri noktasını ve genel olarak 8209 malzemeyi kapsamaktadır.
• Makine öğrenmesi sınıflandırmasında 88 malzemelik alt küme kullanılmıştır.
• BiVO₄, BaZrS₃, PbTe ve başka bazı bileşikler deneysel öz-iyileşme araştırması için potansiyel Class II adayları olarak belirlenmiştir.
• Hardness, özellikle kovalent kristaller için hesaplama gerektirmeyen yardımcı deneysel tanımlayıcı olarak kullanılabilir.
• Veri eksikliği ve hesaplanmış–deneysel özellikler arasındaki uyumsuzluklar modelin genellenebilirliğini sınırlamaktadır.

Çalışmanın desteklemediği veya test etmediği sonuçlar

• Model tarafından önerilen bütün aday malzemelerin gerçekten öz-iyileştiği deneysel olarak gösterilmemiştir.
• BiVO₄, BaZrS₃, PbTe veya diğer adayların gerçek cihazlarda daha uzun kullanım ömrü sağladığı bu araştırmada ölçülmemiştir.
• ODP>0 veya RSP>1 olması tek başına bir malzemenin kesin olarak öz-iyileşeceğini kanıtlamaz.
• Class I ve Class II bütün katı malzemeler için mutlak ve keskin sınırlar değildir; Ag tabanlı bazı sistemler mekanizmalar arasındaki örtüşme bölgesinde bulunur.
• 88 malzemelik sınıflandırma setindeki bütün sınıf etiketleri doğrudan öz-iyileşme deneylerinden elde edilmiş değildir.
• Hardness iyonik kristallerde güvenilir evrensel bir öz-iyileşme göstergesi değildir.
• Hesaplanmış RSP ve ODP değerlerinin gerçek deneysel değerlerle her malzeme ailesinde uyumlu olduğu gösterilmemiştir.
• Model özellikle solid oxide fuel cell seramiklerinde mevcut veri azlığı nedeniyle güçlü genelleme yapamamaktadır.
• Çalışma herhangi bir yeni malzeme sentezlememiş veya adayların hasar sonrası fiziksel iyileşmesini doğrudan ölçmemiştir.

Çalışmanın Yöntemi ve Bulguları

Veri madenciliği yaklaşımı

Araştırma yeni malzemeleri laboratuvarda sentezlemek yerine daha önce yayımlanmış deneysel verilerle hesaplamalı malzeme veri tabanlarını birleştirmiştir. Dört ana özellik kimyasal formül ve kristal faz temelinde tekil malzeme kayıtlarıyla eşleştirilmiştir.

Ana küratörlü veri tabanı 10.486 veri noktasından oluşmaktadır. Aynı kimyasal formül ve faz için birden fazla veri bulunduğunda ilgili değerlerin ortalaması kullanılmıştır. Kaynak genel olarak 8209 malzeme bulunduğunu belirtmektedir.

Ionicity verisinin hazırlanması

Pauling tabanlı ionicity yaklaşımı ikili bileşiklerde doğrudan kullanılabilse de araştırmanın veri setinde çok elementli sistemler de vardır. Bu nedenle her cation–anion bağı için iyoniklik hesaplanmış ve bileşik seviyesinde ortalaması alınmıştır.

Koordinasyon çevresinin belirlenmesi için pymatgen kullanılmıştır. Bu nedenle çalışma Table 1 dipnotunda ionicity'nin “deneysel” değil hesaplamalı değerlendirme içerdiğini ayrıca belirtmektedir.

RSP verileri nereden geliyor?

RSP değerlerinin çoğu Materials Project'teki hesaplanmış ionic ve electronic permittivity değerlerinden türetilmiştir. Deneysel permitivite verileri Materials Platform for Data Science (MPDS) ve çeşitli literatür kaynaklarından alınmıştır.

Aynı malzeme ve faz için birden fazla permitivite kaydı olduğunda ortalama permitivite değerleri kullanılmış, ardından RSP aynı denklemle hesaplanmıştır.

Table 1'e göre RSP için:

• 3761 kayıt bulunmaktadır,
• bunların 285'i deneysel,
• 3476'sı hesaplanmıştır.

ODP verileri nereden geliyor?

ODP değerleri ağırlıklı olarak yüksek verimli hesaplamalı deformasyon potansiyeli veri kaynaklarından ve ek literatür çalışmalarından toplanmıştır.

Table 1'e göre ODP için 9756 kayıt bulunmaktadır. Bunların yalnız sekizi deneysel, 9748'i hesaplanmış kayıttır. Bu oran ODP–RSP sınıflandırmasının neden büyük ölçüde hesaplamalı malzeme verisine bağlı olduğunu göstermektedir.

Hardness verileri nasıl seçildi?

Hardness verileri MPDS ve ek literatür kaynaklarından alınmıştır ve çalışma bunları tamamen deneysel parametre olarak değerlendirmektedir.

Farklı indenter geometrileri ve yüklerin sonuçları etkileyebildiği bilindiğinden araştırmacılar mümkün olduğunca microhardness ve çoğunlukla Vickers indentation temelli değerleri seçmiştir.

Hardness kapsamı ana veri setinin yalnız %7,7'sidir; bu düşük kapsama rağmen parametrenin deneysel olarak görece kolay ölçülebilmesi yeni malzemelerin ilk değerlendirilmesinde avantaj sağlayabilir.

Makine öğrenmesi eğitim seti

Dört tanımlayıcının bulunduğu bütün 10.486 veri noktası doğrudan SVM eğitimine verilmemiştir. Mekanizma sınıflandırması için Table S8'de verilen toplam 88 malzeme seçilmiştir.

Class II eğitim grubuna Ge/Sn/Pb halide perovskites ile Sb chalcohalides ve Sb₂S₃/Sb₂Se₃ gibi dinamik kafes davranışıyla ilişkilendirilen malzemeler dahil edilmiştir.

Class I grubunda metal halides, CuInSe₂, CuGaSe₂, bilinen solid-oxide electrolyte örnekleri ve Class I chalcohalides bulunmaktadır.

Önemli yöntem sınırı, halide perovskites grubundaki malzemelerin çoğunda gerçek öz-iyileşme davranışının henüz bilinmemesidir. Yazarlar bu bileşikleri, MAPbI₃ gibi bilinen Class II perovskitlere haritadaki yakınlıkları nedeniyle aynı mekanizma sınıfına atamıştır.

SVM ve Gaussian Mixture kurulumu

SVM lineer kernel ve C=1 regularization parametresiyle kurulmuştur. Amaç ODP–RSP uzayında iki sınıfı ayıran maksimum marjinli karar doğrusu oluşturmaktır.

İkinci yöntem Gaussian Mixture'dır. Bu unsupervised algoritma expectation–maximization kullanarak veri dağılımını iki Gaussian kümesinin doğrusal bileşimi şeklinde modeller.

Araştırmacılar Supporting Information'da farklı train-test ayrımlarına karşı karar sınırının geometrisini ve model sonuçlarını test ettiklerini, hesaplanmış RSP/ODP noktalarının dahil edilmesinin sınıflandırmayı belirgin biçimde bozmadığını bildirmektedir.

Karar sınırının fiziksel anlamı

SVM karar sınırı yalnız matematiksel ayırıcı olarak bırakılmamıştır. Yazarlar sınırın iki yanında bulunan malzemelerin bağ fiziğinin sistematik biçimde farklı olduğunu savunmaktadır.

Class I tarafı kinetik olarak stabilize vacancy/interstitial kusurlarla iyon taşınımının gerçekleştiği daha statik kafeslere; Class II tarafı ise antibonding karakter, sığ enerji peyzajı ve dinamik disorder ile daha kolay atomik yeniden düzenlenmeye karşılık gelmektedir.

Karar sınırının normalize eğiminin −0,992 olması, RSP ile ODP'nin veri seti içindeki mekanizma ayrımında yaklaşık benzer bilgi taşıdığı şeklinde yorumlanmıştır.

Sınır bölgesindeki malzemeler neden önemli?

β-AgI, bazı diğer silver halides ve Ag₃SI gibi malzemeler iki kümenin üst üste geldiği bölgelerde bulunabilmektedir. Araştırmacılar bunu Ag⁺ iyonunun esnek koordinasyonuna, düşük efektif yük yoğunluğuna ve bazı fazlardaki hem statik hem dinamik disorder bileşimine bağlamaktadır.

SbSeI, Sb₂Se₃, Sb₂S₃, RbPbBr₃ ve LiSnCl₃ gibi bazı Class II bileşikleri de karar sınırı marjları içinde bulunur. Yazarlar bu sistemlerin iki mekanizma karakterini belirli ölçülerde birleştirebileceğini önermektedir.

Bu yorum doğrudan aynı numune üzerinde iki mekanizmanın eş zamanlı ölçümünden değil, ODP–RSP konumu ve literatürdeki kafes dinamiklerinden yapılan fiziksel yorumdan gelmektedir.

Yeni adayların belirlenmesi

SVM/Gaussian Mixture sınıfları belirlendikten sonra ana veri setindeki farklı aileler Class II bölgesine yakınlık açısından taranmıştır. Fig. 6'da oxides, halide perovskites, Ba chalcogenides, Pb chalcogenides/halides ve bazı Cu içeren kalkojenürler ayrı sembollerle gösterilmektedir.

BiVO₄, Ba₂ZrO₄, Ba₂HfO₄, BaZrS₃, Ba₂ZrS₄, Ba₂HfS₄, PbSe, PbTe, PbS, PbI₂, TlSnI₃, TlCdCl₃, InSnCl₃ ve başka bileşikler deneysel takip için önerilmektedir.

Tl ve Cd içeren bazı halide perovskite adayları toksisite nedeniyle yazarlar tarafından yalnız bilimsel ilgi taşıyan sistemler olarak sınırlandırılmaktadır.

Aday tahminlerinin enerji teknolojilerine bağlantısı

Çalışmanın sürdürülebilir enerji açısından hedefi, enerji dönüştürücü malzemelerin yalnız başlangıç verimini değil, hasar sonrası işlevsel dayanıklılığını da tasarım parametresi haline getirmektir.

BaZrS₃, BaCuYSe₃ ve BaCuYTe₃ gibi malzemelerin optoelektronik/fotovoltaik uygulamalarda incelenmiş olması nedeniyle, öz-iyileşme potansiyelinin ayrıca doğrulanması cihaz ömrü açısından yeni bir seçim ölçütü oluşturabilir.

Benzer biçimde solid oxide fuel cell ceramic adaylarında öz-iyileşmenin mümkün olması iyon ileten seramiklerin hasar toleransı açısından önemli olabilir; ancak çalışmanın mevcut CSOFC veri kalitesi bu alanda kesin aday sıralaması yapmak için yeterli değildir.

Veri kalitesinin model üzerindeki etkisi

Araştırmanın tartışma bölümünde en güçlü öz-eleştirilerden biri mevcut malzeme veri tabanlarının eksik ve zaman zaman birbiriyle uyumsuz olmasıdır.

Hesaplanmış permitivite değerlerindeki sapmalar RSP'yi doğrudan etkiler. ODP'nin neredeyse tamamının hesaplanmış olması, hardness'ın ise numune hazırlama ve indentation koşullarına güçlü biçimde bağlı olması farklı hata kaynakları oluşturur.

Bu nedenle yazarlar yüksek model başarısının tek başına güvenilir malzeme keşfi için yeterli olmadığını; temel fiziksel verinin kalitesinin yapay zekâ ve makine öğrenmesi sonuçlarının güvenilirliğini doğrudan belirlediğini vurgulamaktadır.

Çalışmanın temel sınırlılıkları

• SVM/Gaussian Mixture mekanizma analizi yalnız 88 malzeme üzerinden kurulmuştur.
• Halide perovskite sınıf etiketlerinin bir bölümü doğrudan öz-iyileşme deneyinden değil benzerlik varsayımından gelmektedir.
• RSP kayıtlarının yalnız %35,9'u ana veri setinde mevcuttur.
• Hardness verisi ana veri setinin yalnız %7,7'sini kapsamaktadır.
• ODP verilerinin neredeyse tamamı hesaplamalıdır.
• Hesaplanmış ve deneysel RSP arasında özellikle bazı kalkopiritlerde önemli uyuşmazlıklar bulunmaktadır.
• Hardness iyonik kristallerde sentez ve kusur geçmişine güçlü biçimde bağlıdır.
• CSOFC malzemeleri için ODP/RSP veri kalitesi ve kapsamı sınırlıdır.
• Önerilen yeni adayların öz-iyileşmesi bu çalışma içinde deneysel olarak doğrulanmamıştır.
• Modelde çalışma sıcaklığının erime sıcaklığına oranı gibi öz-iyileşmeyi etkileyebilecek başka fiziksel tanımlayıcılar yer almamaktadır.

Çalışmanın bilimsel anlamı

Araştırmanın yeniliği “öz-iyileşme için tek bir sihirli eşik” bulmak değildir. Ana katkı, kimyasal bağın dört farklı fiziksel izdüşümünü ortak bir malzeme haritasında birleştirerek öz-iyileşme mekanizmasını kestirmeye çalışmasıdır.

Bu yaklaşım malzeme keşfini tersine çevirmektedir: önce binlerce adayın tek tek hasar testini yapmak yerine, bağ karakteri uygun görünen malzemeler hesaplama ve veri madenciliğiyle önceliklendirilebilir; daha sonra gerçek öz-iyileşme deneyi bu daha küçük aday grubuna uygulanabilir.

Çalışmanın en önemli mesajlarından biri de makine öğrenmesi performansından bağımsızdır: fiziksel olarak anlamlı tanımlayıcılar seçilmeden yalnız büyük veri kullanmak yeterli değildir. Aynı şekilde fiziksel olarak iyi bir model de güvenilir veri olmadan genellenemez.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Using bond characteristics to predict self-healing properties in materials for sustainable energy conversion

Yazarlar: Yuval Mualem; David Cahen; Yevgeny Rakita; Hannah-Noa Barad.

Yazar sırası: Kaynaktaki özgün sıra aynen korunmuştur.

Eş katkı/eş birinci yazar: Kaynakta belirtilmemiştir.

Sorumlu yazarlar: Yevgeny Rakita ve Hannah-Noa Barad.

Kurumlar: Department of Chemistry, and Institute of Nanotechnology & Advanced Materials (BINA), Bar-Ilan University, Ramat-Gan, Israel; kaynakta “IsraelIsrael National Institute of Energy Storage (INIES)” biçiminde verilen kurum, Ramat-Gan, Israel; Department of Molecular Chemistry & Materials Science, Weizmann Institute of Science, Rehovot, Israel; Department of Materials Engineering, Ben Gurion University of the Negev, Be’er Sheva, Israel.

Afiliyasyon yazım notu: Kaynağın yayımlanmış ilk sayfasında ikinci kurum adı “IsraelIsrael National Institute of Energy Storage (INIES)” biçiminde yazılmıştır. Bu tekrar kaynakta gerçekten bulunduğundan Verianla bunu özgün kurum adıymış gibi benimsememiş; yalnız kaynak-içi yazım sorunu olarak kaydetmiştir.

Kaynak türü: Hakemli araştırma makalesi; deneysel ve hesaplamalı malzeme verilerinin kürasyonu, fiziksel özellik analizi ve makine öğrenmesi sınıflandırmasını birleştiren veri odaklı malzeme bilimi çalışmasıdır.

Dergi: Materials Today

Yayınevi: Elsevier Ltd.

Cilt / makale numarası: 98 (2026), 103445

Çevrimiçi yayın tarihi: 8 Temmuz 2026

DOI: 10.1016/j.mattod.2026.103445

Resmî yayın bağlantısı: https://www.sciencedirect.com/science/article/pii/S1369702126002919

DOI bağlantısı: https://doi.org/10.1016/j.mattod.2026.103445

Hakemlik durumu: Çalışma Materials Today dergisinde yayımlanmış hakemli araştırma makalesidir.

Lisans: Creative Commons Attribution 4.0 International (CC BY 4.0).

Veri erişilebilirliği: Çalışmanın veri seti Supplementary Information içindeki “Supporting Tables.xlsx” dosyasının Table S1 bölümünde paylaşılmıştır.

Kod erişilebilirliği: Kaynak, analiz kodunun https://github.com/barad-lab/SH-ionicity-RSP-ODP-hardness adresinde bulunduğunu belirtmektedir.

Yeni malzeme üretimi: Çalışma yeni ve benzersiz bir malzeme üretmemiştir.

Lead contact: Hannah-Noa Barad.

Çıkar çatışması: Yazarlar bilinen rekabet eden finansal çıkar veya çalışmayı etkileyebilecek kişisel ilişki bildirmemiştir.

Destek/teşekkür: Yuval Mualem, Israeli Ministry of Energy and Infrastructure grant 225-11-060 desteğini; Hannah-Noa Barad aynı kurumun 222-11-081 desteğini; Yevgeny Rakita Israel Science Foundation 848/24 desteğini; David Cahen ise Weizmann Institute Institute for Environmental Sustainability desteğini belirtmektedir.

Yazar katkıları: Yuval Mualem; ilk taslak, gözden geçirme, görselleştirme, doğrulama, yazılım, metodoloji, araştırma, formal analiz, veri kürasyonu ve kavramsallaştırmaya katkıda bulunmuştur. David Cahen; ilk taslak ve gözden geçirme, görselleştirme, doğrulama, denetim, kaynaklar, metodoloji, araştırma, finansman edinimi, veri kürasyonu ve kavramsallaştırmaya katkıda bulunmuştur. Yevgeny Rakita; yazım, görselleştirme, doğrulama, denetim, proje yönetimi, metodoloji, araştırma, finansman edinimi, veri kürasyonu ve kavramsallaştırmaya katkıda bulunmuştur. Hannah-Noa Barad; yazım, görselleştirme, doğrulama, denetim, kaynaklar, proje yönetimi, metodoloji, araştırma, finansman edinimi, veri kürasyonu ve kavramsallaştırmaya katkıda bulunmuştur.

Veri seti: Ana küratörlü veri analizinde 10.486 veri noktası ve genel olarak 8209 malzeme bulunmaktadır. Aynı kimyasal formül ve faz için birden fazla değer varsa araştırmacılar ortalama değeri kullanmıştır.

Makine öğrenmesi alt veri seti: Class I ve Class II mekanizmalarını ayırmak için kullanılan SVM ve Gaussian Mixture analizleri 88 malzemelik seçilmiş veri seti üzerinde gerçekleştirilmiştir.

Sınıf etiketlerinin sınırı: Makine öğrenmesi veri setindeki bütün etiketler doğrudan deneysel öz-iyileşme kanıtına dayanmaz. Kaynak, birçok halide perovskite için öz-iyileşmenin bilinmediğini ve bu malzemeleri bilinen Class II perovskitlere ODP–RSP yakınlıkları üzerinden Class II olarak atadığını açıkça belirtmektedir.

Table 1 hardness tutarsızlığı: Kaynak hardness için 808 veri noktası bulunduğunu, bunların 807'sinin deneysel ve 0'ının hesaplanmış olduğunu vermektedir. Bu sayıların toplamı 808 etmediğinden Verianla eksik olan bir kaydın türünü varsayımla tamamlamamıştır.

Table 1 ionicity tutarsızlığı: Kaynak ionicity için 8576 veri noktası bulunduğunu ve 8576'sının hesaplanmış olduğunu belirtirken hesaplanmış veri yüzdesini %82,7 olarak yazmaktadır. Bu yüzde satırdaki sayılarla uyumlu değildir. Değer sessizce düzeltilmemiştir.

Terminoloji notu: Yöntem bölümünde unsupervised model “Gaussian Mixture” olarak tanımlanmıştır. Sonuç bölümünün bir cümlesinde “Gaussian Mixing” ifadesi geçmektedir. Uygulanan matematiksel yöntemin adı kaynak yöntemine uygun biçimde Gaussian Mixture olarak kullanılmıştır.

Bilimsel sınır: Araştırma bağ-karakteri tanımlayıcılarına dayanarak yeni öz-iyileşme adayları önermektedir; bu adaylarda kontrollü hasar sonrası yapısal veya işlevsel toparlanmayı deneysel olarak ölçmemektedir. Dolayısıyla “Class II adayı” ifadesi “öz-iyileşmesi kanıtlanmış malzeme” anlamına gelmez.

Veri kalitesi sınırı: RSP ve ODP'nin önemli bölümü hesaplamalı veri tabanlarından gelmektedir; araştırmacılar bazı malzeme ailelerinde hesaplanmış ve deneysel değerler arasında ciddi farklar olduğunu bildirmektedir. Model özellikle veri kapsamının düşük olduğu solid oxide fuel cell ceramic grubunda daha sınırlıdır.

İçerik üretim yöntemi: Bu Verianla açıklamasındaki mekanizmalar, denklemler, veri sayıları, malzeme sınıfları, aday tahminleri ve sınırlılıklar yalnızca incelenen kaynak çalışmaya dayanmaktadır. Dış kontrol çalışma kimliği, resmî yayın kaydı ve derginin hakemlik politikasının bibliyografik doğrulanmasıyla sınırlandırılmış; dış kaynaklardan yeni öz-iyileşme sonucu veya kaynakta bulunmayan deneysel performans değeri ana makaleye eklenmemiştir.