用于光伏中引导结构-性能探索的可解释深度学习
机器学习
2022-09-14 v3 计算机视觉与模式识别
机器学习
摘要
有机光伏器件的性能与其活性层形貌错综复杂地联系在一起。活性层与器件性能之间的这种联系，无论是通过实验还是计算来评估都十分昂贵。因此，设计形貌以实现更高性能并非易事，且常常难以处理。为了解决这个问题，我们首先引入了一种深度卷积神经网络（CNN）架构，它可以作为复杂结构-性能映射的快速且鲁棒的替代模型。我们进行了若干测试以建立对该训练模型的信任。然后，我们利用这一快速框架进行鲁棒的微结构设计，以提升器件性能。
引用
@article{arxiv.1811.06067,
title = {Interpretable deep learning for guided structure-property explorations in photovoltaics},
author = {Balaji Sesha Sarath Pokuri and Sambuddha Ghosal and Apurva Kokate and Baskar Ganapathysubramanian and Soumik Sarkar},
journal= {arXiv preprint arXiv:1811.06067},
year = {2022}
}
备注
Workshop on Machine Learning for Molecules and Materials (MLMM), Neural Information Processing Systems (NeurIPS) 2018, Montreal, Canada