基于和水混合溶剂的电色设备的机器学习引导循环寿命预测
Yitong Wu1,2, Sifan Kong3, Qingxin Yao1
1School of Electronics and Information Engineering, South China Normal University, Foshan 528225, China.
Micromachines
|September 28, 2024
概括
本研究介绍了一种使用长短期记忆 (LSTM) 网络的机器学习模型,以预测电色器件的周期寿命. 这种方法大大减少了智能窗户和汽车镜子开发的测试时间和资源.
科学领域:
- 材料科学 材料科学 材料科学
- 电化学 电化学 电化学
- 人工智能的人工智能
背景情况:
- 电染色设备对于智能窗口等应用至关重要,但在循环寿命测试中面临挑战.
- 目前的测试方法资源密集,耗时,阻碍了快速发展.
研究的目的:
- 使用机器学习开发电色器件循环寿命的预测模型.
- 为了减少设备表征所需的实验时间和资源.
- 为模型验证引入可解释的分析.
主要方法:
- 利用长短期内存 (LSTM) 网络进行周期寿命预测.
- 在1000个循环中测试的6个设备的数据上训练模型,使用不同的重水 (D2O) 比率进行测试.
- 使用可解释的分析方法来评估模型性能.
主要成果:
- 该LSTM模型准确地预测了电色器件的周期寿命.
- 验证实验证实了D2O混合策略的有效性.
- 83%的设备显示出高传输率调制 (43.95%),快速响应 (7-8s) 和出色的稳定性 (1000个循环后44.92%).
结论:
- 机器学习,特别是LSTM网络,为预测电色设备周期寿命提供了可行的解决方案.
- 拟议的D2O混合策略提高了设备的性能和稳定性.
- 这项研究开创了人工智能用于更快,更高效的电色设备开发的先驱.
