Comprehensive Machine Learning Pipeline for Prediction of Power Conversion Efficiency in Perovskite Solar Cells

管道(软件) 计算机科学 人工神经网络 判别式 人工智能 钙钛矿(结构) 能量转换效率 机器学习 功率(物理) 决策树 大数据 数据挖掘 计算机工程 工程类 电气工程 物理 量子力学 化学工程 程序设计语言
作者
Debasish Mohanty,Akshaya K. Palai
出处
期刊:Advanced theory and simulations [Wiley]
卷期号:6 (12) 被引量:2
标识
DOI:10.1002/adts.202300309
摘要

Abstract Perovskite solar cells (PSCs) have garnered considerable interest as a viable replacement for conventional silicon‐based solar cells, thanks to their high‐power conversion efficiency (PCE), low manufacturing costs, and ease of adjusting optoelectronic properties. To expedite the development of PSC devices, it is crucial to establish seamless connections between relevant parameters, thereby saving time and reducing the costs associated with actual experimentation. This capability can be achieved through advanced machine learning (ML) models, which are at the forefront of providing such interrelation capabilities. In this investigation, a comprehensive ML pipeline using scientific data from PSCs is established, which includes data processing methods and synthetic data generation. Various ML models such as linear, logic‐tree‐based, gradient‐based, discriminative‐based, and attention‐based neural network regressors are utilized to predict PCE of PSCs. The results indicate that the XG‐Boost ML algorithm displays a minimum mean absolute error (MAE) of 1.52, while the attention‐based neural network model TabNet also demonstrates an MAE as low as 1.62. Furthermore, the coefficient of determination for these models is as high as 0.919 and 0.915, respectively. The findings and developed models can aid in the study of training and evaluation processes and provide insights into correlations within perovskite data for required property prediction.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
隐形曼青应助欢喜大地采纳,获得10
刚刚
1秒前
你你你发布了新的文献求助10
1秒前
2秒前
Kawhi发布了新的文献求助10
3秒前
朱瑶君完成签到,获得积分10
3秒前
zenmefeishi发布了新的文献求助10
4秒前
4秒前
科研通AI5应助温柔的海安采纳,获得10
5秒前
岳莹晓完成签到 ,获得积分10
6秒前
简单小刺猬完成签到 ,获得积分10
6秒前
wu发布了新的文献求助10
10秒前
10秒前
13秒前
TU发布了新的文献求助10
15秒前
现代鱼发布了新的文献求助10
15秒前
量子星尘发布了新的文献求助10
16秒前
Kawhi完成签到,获得积分10
16秒前
16秒前
18秒前
Hu完成签到,获得积分10
19秒前
20秒前
爱河发布了新的文献求助10
20秒前
欢喜大地发布了新的文献求助10
20秒前
20秒前
ding应助YanuoK采纳,获得10
23秒前
23秒前
wind完成签到,获得积分10
24秒前
eulota发布了新的文献求助10
24秒前
科研刘完成签到 ,获得积分10
24秒前
啰啰完成签到 ,获得积分10
26秒前
27秒前
27秒前
dmm发布了新的文献求助10
27秒前
28秒前
28秒前
29秒前
大模型应助科研通管家采纳,获得10
29秒前
斯文败类应助科研通管家采纳,获得10
29秒前
高分求助中
(应助此贴封号)【重要!!请各位详细阅读】【科研通的精品贴汇总】 10000
Voyage au bout de la révolution: de Pékin à Sochaux 700
血液中补体及巨噬细胞对大肠杆菌噬菌体PNJ1809-09活性的影响 500
Methodology for the Human Sciences 500
First Farmers: The Origins of Agricultural Societies, 2nd Edition 500
Simulation of High-NA EUV Lithography 400
International socialism & Australian labour : the Left in Australia, 1919-1939 400
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 冶金 细胞生物学 免疫学
热门帖子
关注 科研通微信公众号,转发送积分 4325279
求助须知:如何正确求助?哪些是违规求助? 3840252
关于积分的说明 12003814
捐赠科研通 3481134
什么是DOI,文献DOI怎么找? 1909404
邀请新用户注册赠送积分活动 954473
科研通“疑难数据库(出版商)”最低求助积分说明 855707