通过改进的机器学习策略对功能性小分子进行选,以实现高效的全无机矿太阳能电池
Kunlun Jiang1, Zhipeng Ma1, Jing Lan1
1Department of Electronic Engineering, College of Information Science and Technology, Jinan University, Guangzhou 510632, China.
ACS applied materials & interfaces
|June 6, 2024
概括
机器学习加速了对矿太阳能电池的小分子的发现. XGBoost模型预测有效的分子,确定二甲胺是提高效率的有希望的接口修饰剂.
科学领域:
- 材料科学 材料科学 材料科学
- 可再生能源可再生能源是可再生能源.
- 计算化学计算化学
背景情况:
- 有机小分子对于矿太阳能电池中被动化缺陷至关重要.
- 选功能性小分子以获得最佳性能是一个重大挑战.
研究的目的:
- 开发一种改进的机器学习策略,以有效选小分子.
- 为了确定有效的小分子来提高矿太阳能电池的性能.
主要方法:
- 采用了三个修改后的机器学习算法:随机森林 (RF),支持矢量机 (SVR) 和XGBoost.
- 构建了预测模型,以评估小分子适用于矿太阳能电池的适用性.
- 根据模型预测,选择了八个小分子进行实验验证.
主要成果:
- XGBoost算法表现出卓越的预测性能,其R2指数为0.939.
- 在测试的分子中,二甲胺显示出最好的界面修饰效果.
- 实验结果验证了模型对小分子有效性的预测.
结论:
- 修改后的机器学习方法大大简化了小分子选过程.
- 这一战略对于推进矿太阳能电池技术和其他光电子设备至关重要.
- 二甲胺成为增强矿膜接口的关键候选物.
