通过深度学习与CNN和变压器架构在CsPbI3和Ge-Doped Perovskites中建模非辐射重组
Zhaosheng Zhang1, Yanbo Liu1, Qing Xiong1
1College of Chemistry and Materials Science, Hebei University, Baoding 071002, P. R. China.
The journal of physical chemistry letters
|June 27, 2025
概括
在CsPbI3矿中使用Ge剂可通过减少非辐射重组来增强光电子设备的稳定性. 深度学习模型有效地预测非adiabatic合,揭示了 Ge 兴奋剂.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 光电学是指光电子产品.
背景情况:
- 非辐射电子孔重组限制了矿光电子设备的性能.
- 准确计算非adiabatic (NA) 合是计算昂贵,阻碍复杂的系统研究,如兴奋剂.
- 了解NA合和电子连贯性对于改善矿稳定性至关重要.
研究的目的:
- 开发高效的深度学习模型,用于预测地质合的CsPbI3.3.中的NA合.
- 为了研究微观机制,通过Ge兴奋剂影响非辐射重组.
- 为设计稳定的矿材料提供理论指导.
主要方法:
- 结合密度函数理论与非adiabatic分子动力学 (NAMD).
- 在NA合评估中使用Hammes-Schiffer-Tully (HST) 和维持规范的插值 (NPI).
- 开发并测试了各种深度学习模型,包括卷积神经网络和变压器,用于NA合预测.
主要成果:
- 在预测NA合时,ResNetPlus和TSTPlus深度学习模型实现了高准确度.
- 发现GE兴奋剂通过增加局部振动频率来加速脱凝.
- 基因兴奋剂显著削弱了NA合强度,并延长了非辐射重组寿命.
结论:
- 基因兴奋剂通过减少NA合和加速脱凝,有效地抑制了CsPbI3中的非辐射重组.
- 深度学习模型为计算NA合的传统方法提供了有效的替代方案.
- 这项研究为开发稳定的矿光电子产品提供了显微观理解和理论基础.
