Accelerated discovery of boron-dipyrromethene sensitizer for solar cells by integrating data mining and first principle
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Boron-dipyrromethene (BODIPY) is one promising class of sensitizers for dye-sensitized solar cells (DSSCs) due to unique merits of high absorption coefficient and versatile structural modification capability. However, such derivatives usually suffer from limited power conversion efficiencies (PCEs) because of narrow light absorption band and low electron injection. To aid the discovery of BODIPY sensitizers, we employ an inverse design method to design efficient sensitizers by integrating data mining and first-principle techniques. We establish robust data-mining models using genetic algorithm and multiple linear regression, where the features are filtered from 5515 descriptors and their meanings are explicitly explored for next inverse designs. Based on the features’ understanding, we design candidates NH1-6 and predict their PCEs, demonstrating remarkable enhancements (58% maximum) compared to previous works. Furthermore, their optoelectronic properties including maximum absorption wavelengths, oscillator strengths, bandgaps, transferred charges, charge transferred distances, TiO2 conduction band shifts, short-circuit currents and electron injection efficiencies simulated via first-principle calculations indicate significant increasements (93 nm, 122.41%, 23.70%, 36.36%, 471.17%, 63.64%, 28.55%, 107.86% maximum), which testifies the corresponding highly predicted PCEs and may overcome BODIPY dyes’ shortcomings. The as-designed BODIPY sensitizers can be promising candidates for DSSCs, and such method could help accelerate the discovery of other energy materials.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle