Computational Modeling of Indoor Organic Photovoltaics: Dataset Curation, Predictive Analysis, and Machine Learning Approaches
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
Abstract This study presents a comprehensive dataset that encompasses the indoor device performance of organic photovoltaic (OPV) materials, their corresponding SMILES codes, and frontier molecular orbital (FMO) energy levels. This dataset comprises a total of 128 subsets and features 64 pairs of donors and acceptors. We demonstrate that traditional models, such as the Shockley–Queisser limit and Scharber’s model, are insufficient for accurately predicting the behavior of indoor OPVs based on the molecular orbitals of these materials. In contrast, we explore the predictive capabilities of four machine learning (ML) models for estimating the power conversion efficiencies (PCEs) of indoor OPVs, utilizing molecular structure information and FMO data from the dataset we compiled. The trained ML models exhibit strong predictive performance with high correlation coefficients ( r > 0.8) for indoor PCE values; notably, the support vector regression (SVR) model achieves the highest r of 0.878. The generalization capabilities of the models are also assessed using previously unseen materials, and the results demonstrate high accuracy rates. The SVR algorithm reaches the best average accuracy of 92.1%, underscoring its potential for efficiently screening materials for indoor applications. Our findings suggest that this dataset, with opportunities for future expansion, could significantly facilitate material design and accelerate computer-aided materials screening, reducing the need for extensive experimental testing in the development of indoor 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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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