Optimization of the Bulk Heterojunction of All-Small-Molecule Organic Photovoltaics Using Design of Experiment and Machine Learning Approaches
Notice bibliographique
Résumé
All-small-molecule organic photovoltaic (OPV) cells based upon the small-molecule donor, DRCN5T, and nonfullerene acceptors, ITIC, IT-M, and IT-4F, were optimized using Design of Experiments (DOE) and machine learning (ML) approaches. This combination enables rational sampling of large parameter spaces in a sparse but mathematically deliberate fashion and promises economies of precious resources and time. This work focused upon the optimization of the core layer of the OPV device, the bulk heterojunction (BHJ). Many experimental processing parameters play critical roles in the overall efficiency of a given device and are often correlated and thus are difficult to parse individually. DOE was applied to the (i) solution concentration of the donor and acceptor ink used for spin-coating, (ii) the donor fraction, (iii) the temperature, and (iv) duration of the annealing of these films. The ML-based approach was then used to derive maps of the power conversion efficiencies (PCE) landscape for the first and second rounds of optimization to be used as guides to determine the optimal values of experimental processing parameters with respect to PCE. This work shows that with little knowledge of a potential combination of components for a given BHJ, a large parameter space can be effectively screened and investigated to rapidly determine its potential for high-efficiency OPVs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».