基于微分机器学习框架精确定位新型太阳能电池和无序器件中的瓶颈
应用物理
2025-07-17 v1
摘要
开发新型太阳能电池、传感器和晶体管材料的关键挑战在于将宏观器件性能与底层微观属性相联系。多年来，器件制造速度远快于我们对其表征能力。这导致材料开发出现踢踏前进的局面，新的材料被提出的速度超过了我们的理解。我们提出了两种基于神经网络的方法，用于提取光电器件（如太阳能电池）中的关键材料参数，包括载流子迁移率和捕获态密度。我们的 methods 仅需要测量的光电流-电压曲线以及适度的计算资源，使其即使在 minimally equipped 实验室中也具备适用性。不同于传统机器学习模型，我们的方法将最终材料值置于非高斯似然分布中，允许对每个预测参数进行置信度评估。我们使用新鲜的 PM6:Y12 和已降解的 PM6:BTP-eC9 有机太阳能电池演示了这些技术。
引用
@article{arxiv.2507.11740,
title = {A Framework to Pinpoint Bottlenecks in Emerging Solar Cells and Disordered Devices via Differential Machine Learning},
author = {Cai Williams and Chen Wang and Alexander Ehm and Dietrich R. T. Zahn and Maria Saladina and Carsten Deibel and Roderick C. I. Mackenzie},
journal= {arXiv preprint arXiv:2507.11740},
year = {2025}
}