基于神经网络代理模型的有机太阳能电池电流-电压曲线材料参数推断
材料科学
2025-06-17 v1 应用物理
摘要
机器学习已成为估计太阳能电池材料参数的有前景方法。传统参数提取方法通常依赖耗时的数值模拟，无法捕捉参数空间的全部复杂性，并丢弃了次优模拟中的有价值信息。在本研究中，我们提出了一种基于数值模拟与神经网络结合的有机太阳能电池参数估计新工作流。该工作流从选择合适的实验数据集开始，随后定义能准确描述实验的设备模型。为降低计算复杂度，变量参数的数量经过精心选择，并为每个参数设定了合理范围。我们并非直接使用数值模型拟合实验数据，而是在大量模拟结果数据集上训练神经网络，从而高效探索高维参数空间。该方法不仅加速了参数估计过程，还提供了对估计参数可能性和不确定性的宝贵见解。我们在基于PBDB-TF-T1:BTP-4F-12材料体系的有机太阳能电池上演示了该方法的有效性，展示了机器学习快速全面表征新兴光伏材料的潜力。
引用
@article{arxiv.2506.13308,
title = {Inferring Material Parameters from Current-Voltage Curves in Organic Solar Cells via Neural-Network-Based Surrogate Models},
author = {Eunchi Kim and Paula Hartnagel and Barbara Urbano and Leonard Christen and Thomas Kirchartz},
journal= {arXiv preprint arXiv:2506.13308},
year = {2025}
}
备注
21 pages, 11 figures