用于解释和预测有机太阳能电池效率退化的通用机器学习模型
机器学习
2025-05-12 v3
摘要
本文提出了一组最优机器学习模型，用于表示具有多层结构ITO/PEDOT:PSS/P3HT:PCBM/Al的聚合物有机太阳能电池（OSCs）的功率转换效率（PCE）随时间退化。为此，我们生成了一个包含996条记录的数据库，其中包含多达7个变量，涉及制造工艺和环境条件，时间跨度超过180天。然后，我们依靠一个软件框架，该框架汇集了一系列自动化机器学习协议，通过简单的命令行界面依次对数据库执行。这允许通过详尽的基准测试对机器学习模型的超参数和随机种子进行优化，从而获得最优模型。所达到的精度使得决定系数（R²）广泛超过0.90，而均方根误差（RMSE）、平方和误差（SSE）和平均绝对误差（MAE）均小于目标值PCE的1%。此外，我们还贡献了经过验证的模型，能够筛选数据库中从未见过的有机太阳能电池的行为。在这种情况下，R²~0.96-0.97，RMSE~1%，从而证实了该预测方法的可靠性。为了比较，还给出了基于非线性最小二乘（LMS）的经典贝叶斯回归拟合，该方法仅对单个有机太阳能电池的单变量情况表现足够，因此无法超越机器学习模型所展示的广泛能力。最后，得益于机器学习框架提供的标准化结果，我们研究了数据集变量之间的依赖关系及其对有机太阳能电池最优性能和稳定性的影响。通过标准化报告以及数据集确保了可重复性，这些均在Github上公开。
引用
@article{arxiv.2404.00173,
title = {General Machine Learning Models for Interpreting and Predicting Efficiency Degradation in Organic Solar Cells},
author = {David Valiente and Fernando Rodríguez-Mas and Juan V. Alegre-Requena and David Dalmau and María Flores and Juan C. Ferrer},
journal= {arXiv preprint arXiv:2404.00173},
year = {2025}
}