Solar-GECO: 基于几何感知共注意的钙钛矿太阳能电池性质预测
机器学习
2025-11-25 v1 人工智能
摘要
钙钛矿太阳能电池是下一代光伏的有前景候选材料。然而，其作为多尺度器件的性能由各组成层之间的复杂相互作用决定。这产生了可能的材料和器件架构的巨大组合空间，使传统的实验筛选过程缓慢且昂贵。机器学习模型试图解决这一问题，但它们仅关注单一材料性质或忽略了钙钛矿晶体的重要几何信息。为解决这一问题，我们提出了一种几何感知共注意模型（Solar-GECO）来预测钙钛矿太阳能电池的功率转换效率。Solar-GECO结合了几何图神经网络（GNN）——直接编码钙钛矿吸收层的原子结构——与语言模型嵌入，用于处理代表传输层和其他器件组件的化学化合物的文本字符串。Solar-GECO还集成了共注意模块以捕获层内依赖和层间相互作用，同时概率回归头预测功率转换效率（PCE）及其关联的不确定性。Solar-GECO实现了最先进的性能，显著优于多个基线，将PCE预测的平均绝对误差（MAE）从3.066降至2.936，相比语义GNN（先前最先进模型）。Solar-GECO证明了整合几何和文本信息为PCE预测提供了更强大、更精确的框架。
引用
@article{arxiv.2511.19263,
title = {Solar-GECO: Perovskite Solar Cell Property Prediction with Geometric-Aware Co-Attention},
author = {Lucas Li and Jean-Baptiste Puel and Florence Carton and Dounya Barrit and Jhony H. Giraldo},
journal= {arXiv preprint arXiv:2511.19263},
year = {2025}
}
备注
Accepted at the AI for Accelerated Materials Design (AI4Mat) Workshop at NeurIPS 2025. 14 pages, 4 figures