在有机太阳能电池中通过深度学习进行非侵入性成分识别
Yi-Hsun Chang1, You-Lun Zhang1, Cheng-Hao Cheng2
1Department of Applied Materials and Optoelectronic Engineering, National Chi Nan University, Nantou 54561, Taiwan.
Nanomaterials (Basel, Switzerland)
|July 25, 2025
概括
本研究介绍了一种使用模拟光谱和深度学习来识别有机光伏 (OPV) 组合物的非侵入性方法. 该方法达到99%以上的准确性,使OPV制造可靠,非破坏性质量控制.
科学领域:
- 材料科学 材料科学 材料科学
- 有机电子 有机电子
- 计算化学计算化学
背景情况:
- 当前有机光伏 (OPV) 设备分析通常需要具有破坏性的方法.
- 准确识别活性层成分对于OPV的性能和可靠性至关重要.
研究的目的:
- 开发一种非侵入性技术来对OPV活性层成分进行分类.
- 利用模拟的吸收光谱和深度学习来准确识别材料.
主要方法:
- 模拟的全器件吸收光谱在各种数据集中产生了±15%的厚度变化.
- 一个多层感知器 (MLP) 神经网络被训练并使用各种配置进行优化.
- 测试了模型的稳定性与随机初始化和数据分区.
主要成果:
- 优化的MLP模型在培训和测试数据集上实现了超过99%的分类准确性.
- 分类准确度对随机初始化和数据分割表现出最小的敏感性.
- 开发的方法在非破坏性OPV组合分析中被证明是有效的.
结论:
- 对光谱数据应用的深度学习为OPV组合分类提供了可靠的,非侵入性的方法.
- 这种方法有可能被整合到用于诊断和质量控制的自动化制造中.
- 这些发现为有机电子产品中先进的非破坏性表征技术铺平了道路.
更多相关视频
06:05Using Neutron Spin Echo Resolved Grazing Incidence Scattering to Investigate Organic Solar Cell Materials
Published on: January 15, 2014
7.0K
08:29Morphology Control for Fully Printable Organic–Inorganic Bulk-heterojunction Solar Cells Based on a Ti-alkoxide and Semiconducting Polymer
Published on: January 10, 2017
9.2K