.png){kind=icon}
返回
Three-dimensional morphology–performance mapping for organic solar cells: A data-driven framework
.png){kind=icon}
OA
AI
DOI：10.1557/s43578-026-01823-8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高效有机光伏器件的计算设计需要明确三维活性层形貌与器件性能之间的关联。我们提出了一种数据驱动的流程，首先利用核心集选择将大型模拟形貌库提炼为一个小型代表性子集，从而将昂贵的形貌感知激子漂移-扩散模拟聚焦在最关键的区域。利用这些模拟中的两个器件性能指标——短路电流密度$$J_{\textrm{SC}}$$和填充因子FF，我们随后应用特征选择策略，识别少量可解释的形貌描述符，以准确预测这两个量。样本量消融实验表明，模型准确性以及所选描述符的识别和排序，即使在仅50个与器件性能相关的样本下也能保持稳定。预测$$J_{\textrm{SC}}$$的最优描述符与预测FF的描述符不同，这反映了这两个性能指标具有不同的形貌基础。此外，跨系统比较（P3HT:PCBM与PM6:Y6）揭示了最具影响力描述符的转移，表明形貌-性能关系具有材料特异性。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.9
论文数:
754
被引数:
2.0W
机构
引用论文
A general relationship between disorder, aggregation and charge transport in conjugated polymers共轭聚合物中无序，聚集和电荷传输之间的一般关系.png)
NATURE MATERIALS
NATURE MATERIALSIF38.5
PREAI
分享收藏Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties晶体图卷积神经网络用于准确和可解释的材料特性预测OAAI
OAAI分享收藏
查看更多内容