适应转移晶体图卷积网络,用于加速发现有机矿光伏材料
Jianwei Wei1, Yaohui Yin1, Ai Wang1
1School of Physics, Changchun University of Science and Technology, Jilin Key Laboratory of Solid-State Laser Technology and Application, Changchun 130022, China.
The journal of physical chemistry. A
|January 7, 2026
概括
研究人员开发了一种基于自适应转移学习的水晶图卷积神经网络 (ATL-CGCNN),以加速发现新型混合有机-无机矿 (HOIP). 这种数据高效的方法成功地确定了矿太阳能电池的有希望的候选人.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 可再生能源可再生能源是可再生能源.
背景情况:
- 矿太阳能电池 (PSC) 显示出巨大的潜力,但由于缺乏新混合有机-无机矿 (HOIP) 的高质量数据而受到限制.
- 晶体结构强烈影响材料特性,使其成为发现的关键焦点.
研究的目的:
- 开发一个数据效率高的机器学习模型,用于发现新的HOIP.
- 通过转移学习克服材料发现中的数据稀缺性挑战.
主要方法:
- 使用晶体图卷积神经网络 (CGCNN) 来学习结构表示.
- 实施了自适应转移学习方法 (ATL-CGCNN),包括对大型数据集进行预训练和对HOIP数据进行微调.
- 用密度函数理论 (DFT) 来预测未报告HOIP和验证候选人的HSE06频段差距.
主要成果:
- 使用ATL-CGCNN成功预测了160个未报告的HOIP的带间隙.
- 确定了七个具有高光伏潜力的HOIP候选项目,得到了DFT的验证.
- 机器学习分析表明,基本特征对带隙预测的贡献有限.
结论:
- ATL-CGCNN提供了一个准确而有效的数据策略,以加快新型HOIP材料的发现.
- 该研究强调了转移学习在解决材料科学数据局限性的有效性.
- 经过验证的候选人对推进矿太阳能电池技术充满希望.
