使用机器学习方法预测矿太阳能电池的带隙和效率
Asad Khan1, Jeevan Kandel1, Hilal Tayara2
1Graduate School of Integrated Energy-AI, Jeonbuk National University, Jeonju, 54896, South Korea.
Molecular informatics
|December 5, 2023
概括
机器学习模型准确地预测矿太阳能电池带隙和效率. 这种方法使用CatBoostRegressor和SHAP分析,为发现新材料的传统方法提供了更快,更具成本效益的替代方案.
科学领域:
- 材料科学 材料科学 材料科学
- 可再生能源是可再生能源的来源.
- 计算化学的计算化学
背景情况:
- 精确预测矿太阳能电池带隙和效率对于太阳能应用至关重要.
- 传统的实验和理论方法往往耗时且昂贵.
- 机器学习 (ML) 为预测材料属性提供了一个计算效率高的替代方案.
研究的目的:
- 开发和评估ML模型,以便快速准确地预测矿太阳能电池带隙和效率.
- 用SHAP分析确定最有效的ML模型并了解功能贡献.
- 证明开发的ML模型的稳定性和通用性.
主要方法:
- 通过对矿太阳能电池报告的实验数据数据集训练了各种ML模型.
- 选择CatBoostRegressor作为预测带隙和效率的最佳性能模型.
- 采用k倍交叉验证用于模型评估和SHAP (Shapley添加式解释) 用于特征重要性分析.
- 在一个独立的数据集上验证了模型的性能.
主要成果:
- CatBoostRegressor模型在接近带隙和效率方面表现出卓越的性能.
- SHAP分析提供了有关不同特征对模型预测的贡献的宝贵见解.
- 该模型在独立数据集上测试时显示出稳定性和通用性,证实了其超出培训数据的可靠性.
结论:
- 基于ML的方法,特别是CatBoostRegressor模型与SHAP解释相结合,为预测矿太阳能电池特性提供了计算效率高和准确的方法.
- 这种ML方法可以显著加速发现用于太阳能电池应用的新矿材料.
- 开发的模型及其代码公开提供给研究界,以促进进一步的进步.
