基于高斯混合物的密度估计,用于矿太阳能电池建模

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.
• 计算化学的计算化学

背景情况:

• 加快矿太阳能电池 (PSC) 开发需要精确建模合成参数,材料组成和性能.
• 机器学习 (ML) 是一个有价值的工具,但大多数应用程序使用歧视性的"黑子"模型.

研究的目的:

• 通过模拟联合概率密度函数来探索PSC研究的生成ML方法.
• 评估高斯混合模型 (GMMs) 在PSC研究中适合处理稀缺,低维的表格数据.
• 将GMM应用于各种任务,包括集群,回归,创新配置生成,处理缺失数据和反向设计.

主要方法:

• 使用高斯混合模型 (GMMs),一种概率和可解释的生成方法.
• 将一个单一的GMM框架应用于五个不同的任务:集群发现,回归,创建新型配置,缺少数据的培训和反向设计.
• 开发了一种用于反向设计的新"GMM辅助优化"方法.

主要成果:

• 该GMM框架成功地执行了多个任务,包括回归和生成新矿配置.
• "GMM辅助优化"方法显著提高了反向设计的准确性,与基线为3.32相比,RMSE达到1.52.
• 证明了GMM在处理缺少信息的数据集中的有效性.

结论:

• 使用GMM的概率生成建模为矿太阳能电池研究中的数据驱动发现提供了一种强大的方法.
• 转基因模型为黑子模型提供了一个可解释的替代方案,特别是对于低维,稀缺的数据集.
• 开发的GMM辅助优化方法提高了针对目标性能指标设计实验条件的效率和准确性.