少妇视频无码专区,三级黄线在线免费播放,婷婷在线免费手机视频,潮喷潮喷吧日韩人妻无码,中文亚洲天堂,亚洲午夜福利一级无码男同,国内高清无码视在线

有機太陽能電池 (Organic solar cells，OSCs) 具有低成本、質(zhì)量輕、超薄、柔性、易于大面積制備等諸多優(yōu)點，被認為是具有廣泛應(yīng)用前景的新一代綠色能源技術(shù)。如何提升 OSCs 器件的效率是該領(lǐng)域的研究重點。

有機光伏的最高效率為 15% 到 20% ——相當可觀，但對太陽能的潛力有限制。利哈伊大學（Lehigh University）機械工程與力學副教授 Ganesh Balasubramanian 和其他許多人一樣，想知道是否有辦法改進太陽能電池的設(shè)計，使其更高效?

Balasubramanian 專注于研究太陽能轉(zhuǎn)換核心材料的基本物理學——有機聚合物將電子從一個分子傳遞到另一個分子，以便它們可以被存儲和利用——以及生產(chǎn)商用太陽能電池的制造工藝。

Balasubramanian 是最近發(fā)表的三篇研究論文的主要作者。這些文章揭示了基于物理的機器學習在太陽能電池設(shè)計的應(yīng)用策略。

粗粒度原子建模提高 OSCs 的效率

Balasubramanian 和他的研究生 Joydeep Munshi 使用德克薩斯高級計算中心 (TACC) 的 Frontera 超級計算機——地球上最強大的計算機之一，一直在運行有機太陽能電池生產(chǎn)過程的分子模型，并設(shè)計了一個框架來確定最佳工程選擇。

他們的研究成果以「Towards Improving the Efficiency of Organic Solar Cells by Coarse-Grained Atomistic Modeling of Processing Dependent Morphologies」為題，于6月15日發(fā)表在《IEEE Computing in Science and Engineering》上。

論文鏈接：https://ieeexplore.ieee.org/document/9403884

有機光伏 (OPV) 的功率轉(zhuǎn)換效率（PCE）是驅(qū)動設(shè)計的性能標準。OPV 由兩種材料組成：電子供體和電子受體。兩種材料之間的界面稱為異質(zhì)結(jié)。體異質(zhì)結(jié) (BHJ) 是通過供體和受體材料混合物中的相分離形成的，由于界面面積增加，導(dǎo)致 PCE 增強。

高性能 BHJ 太陽能電池通常使用富勒烯（如：[6,6]-苯基-C61-丁酸甲酯（PCBM））作為電子受體，并使用導(dǎo)電有機聚合物作為電子供體，如聚三己基噻吩（ P3HT ）。

該研究小組使用粗粒度計算模型研究了有機溶劑中 P3HT 和 PCBM 的混合物。研究表明：界面面積的增加以及每個供體和受體相區(qū)尺寸的減小，導(dǎo)致 PCE 提高了 10% ~ 18%。但與其他類型的下一代太陽能電池相比，OPV 的 PCE (<20%) 仍然相對較低。確定理想 OPV 器件的最佳制造參數(shù)的主要障礙在于復(fù)雜的物理過程和由此產(chǎn)生的納米結(jié)構(gòu)。

有機材料的分子模擬涉及模擬典型旋涂制造中發(fā)生的溶劑蒸發(fā)過程。CGMD 使用經(jīng)典的牛頓運動方程來求解珠子的軌跡（由 3~4 個原子一起作為一個整體）在力場下相互作用。相互作用包括成對、三體和高階勢函數(shù)。

Balasubramanian 說：「當工程師制造太陽能電池時，他們將兩種有機分子混合在溶劑中并蒸發(fā)溶劑以產(chǎn)生有助于激子轉(zhuǎn)換和電子傳輸?shù)幕旌衔?。我們模擬了這些電池的制造方式，特別是 BHJ——太陽能電池的吸收層。我們試圖了解結(jié)構(gòu)變化如何與太陽能轉(zhuǎn)換效率相關(guān)？」

Balasubramanian 使用他所謂的「基于物理的機器學習」。研究結(jié)合了粗粒度模擬（使用代表有機材料的近似分子模型）和機器學習。Balasubramanian 認為這種組合有助于防止人工智能提出不切實際的解決方案。

「很多研究都對原始數(shù)據(jù)使用機器學習，」Balasubramanian 說?！傅?，越來越多的人對使用受過物理教育的機器學習感興趣。我認為這就是最大的好處。機器學習本身就是簡單的數(shù)學。其中涉及的真正物理學并不多?！?br />
最佳流程所需的時間減少 40%

Balasubramanian 領(lǐng)導(dǎo)的研究小組于 2021 年 2 月在《Computational Materials Science》發(fā)表文章「Machine learned metaheuristic optimization of the bulk heterojunction morphology in P3HT:PCBM thin films」，描述了在 Frontera 上進行的一組虛擬實驗結(jié)果，實驗測試了各種設(shè)計更改的影響。包括改變本體異質(zhì)結(jié)中供體和受體分子的比例，以及退火的溫度和時間——有助于產(chǎn)品穩(wěn)定性的冷卻和硬化過程。

論文鏈接：https://www.sciencedirect.com/science/article/pii/S0927025620306108?via%3Dihub

研究人員利用這些數(shù)據(jù)來訓練一類稱為支持向量機（SVM）的機器學習算法，來識別材料和生產(chǎn)過程中的參數(shù)，這些參數(shù)將產(chǎn)生最大的能量轉(zhuǎn)換效率，同時保持結(jié)構(gòu)強度和穩(wěn)定性。將這些方法結(jié)合在一起，Balasubramanian 的團隊能夠?qū)⑦_到最佳流程所需的時間減少 40%。

研究人員討論了機器學習 (ML) 元啟發(fā)式布谷鳥搜索 (CS) 優(yōu)化技術(shù)的結(jié)果，該技術(shù)與 CGMD 模擬相結(jié)合，以解決 OPV設(shè)備的材料和加工設(shè)計問題。

該方法用于優(yōu)化供體和受體材料的組成，以及 P3HT 和 PCBM 組成的聚合物共混活性層在形態(tài)演變過程中的熱退火溫度，來提高 PCE。

該框架被擴展到多目標設(shè)計 (MOCS-CGMD)，來獲得混合形態(tài)的帕累托最優(yōu)（Pareto optimality），同時增強激子擴散到電荷傳輸概率和材料的極限拉伸強度。

CS-CGMD 方法擴展到基于先前建立的 CS-MD 框架的雙變量和 MOCS-CGMD。 超過 10 代 多目標優(yōu)化（MOCS） 運行的 SVM 輔助模型的預(yù)測揭示了帕累托最優(yōu)情況。研究發(fā)現(xiàn)，在不影響另一個目標屬性的情況下，沒有任何來自帕累托最優(yōu)的單個解決方案可以被視為目標屬性之一的全局最優(yōu)解。

當優(yōu)先考慮機械強度時，代替激子擴散到電荷傳輸概率，作為所需的目標函數(shù)，在 PCBM 重量分數(shù)介于 0.4 和 0.6 之間以及退火溫度 ~ 340 K 附近確定全局最優(yōu)值。相反，當激子擴散到電荷傳輸概率被認為是首選目標函數(shù)，抑制了對增強拉伸強度的需求時，全局最優(yōu)遷移圍繞新的感興趣區(qū)域（ROI）（PCBM 重量分數(shù) < 0.5 和退火溫度 ~ 420 K）。

「歸根結(jié)底，分子動力學是物理引擎。這就是捕捉基礎(chǔ)物理學的東西，」Balasubramanian?！笝C器學習著眼于數(shù)字和模式，進化算法促進了模擬?！?br />
權(quán)衡和限制

像許多工業(yè)過程一樣，調(diào)整制造過程的任何方面都涉及權(quán)衡。例如，更快的冷卻可能有助于提高電源效率，但它可能會使材料變脆并容易破裂。Balasubramanian 和他的團隊采用了一種多目標優(yōu)化算法，該算法平衡了每次更改的利弊，以推導(dǎo)出整體最佳制造過程。

「當你試圖優(yōu)化一個特定的變量時，你是在線性地看待問題，」他說?！傅牵@些努力中的大多數(shù)都面臨著你試圖同時解決的多管齊下的挑戰(zhàn)。你需要權(quán)衡利弊，并且必須捕捉協(xié)同作用，才能做出正確的設(shè)計。」

Balasubramanian 的模擬與實驗結(jié)果相符。他們確定異質(zhì)結(jié)的構(gòu)成和退火溫度/時間對整體效率的影響最大。他們還發(fā)現(xiàn)異質(zhì)結(jié)中材料的比例對效率是最好的。

Balasubramanian 認為，目前的有機光伏可能已達到其效率的極限。「有一堵難以穿透的墻，這就是材料，」他說?！肝覀兪褂玫倪@些分子只能到此為止。接下來要嘗試的是將我們的框架與其他分子和先進材料一起使用?！?br />
機器學習加速材料發(fā)現(xiàn)

受遷移學習從頭藥物設(shè)計的啟發(fā)，Balasubramanian 及其研究團隊構(gòu)建了一個基于基于遷移學習的遞歸神經(jīng) (LSTM) 模型，該模型利用 SMILES 分子指紋作為輸入，為 OPV 設(shè)備生成新穎的設(shè)計化學物質(zhì)。支持數(shù)據(jù)的框架非常通用，可用于各種化學和應(yīng)用的加速機器學習材料發(fā)現(xiàn)，挖掘迄今為止可用的實驗和計算數(shù)據(jù)。

該研究于 2 月 7 日 以「Transfer Learned Designer Polymers For Organic Solar Cells」為題，發(fā)表在《J. Chem. Inf. Model.》雜志上。

論文鏈接：https://pubs.acs.org/doi/10.1021/acs.jcim.0c01157

操作步驟：首先，建立 LSTM 模型以從已知小有機分子的大數(shù)據(jù)集（100 萬個）中生成新的 SMILES。隨后，預(yù)訓練網(wǎng)絡(luò)在相對較小的數(shù)據(jù)集（1400 個共軛聚合物）上進一步完善，來生成結(jié)構(gòu)類似于典型 OPV 供體材料的新聚合物重復(fù)單元。通過基于提取的分子描述符預(yù)測相關(guān)供體分子的電學特性（例如 PCE、填充因子 (FF)、分子軌道和帶隙能量），進一步驗證生成的分子。

描述符的選擇使用主成分分析 (PCA) 進行可視化，并利用 RF 回歸來設(shè)計監(jiān)督學習模型，該模型根據(jù)嵌入在生成的 SMILES 中的獨特分子描述符預(yù)測新分子的特性。
研究表明，與在沒有預(yù)訓練網(wǎng)絡(luò)的情況下生成 < 25% 的有效分子相比，遷移學習能夠在化學空間中生成 90% 的有效分子。

「一旦建立，我們就可以將實驗室制造的真實分子放入我們創(chuàng)建的框架中，」他說?！溉绻覀儼l(fā)現(xiàn)性能良好的新材料，它將降低太陽能發(fā)電設(shè)備的成本并幫助地球?！?br />
Balasubramanian 的研究利用了計算機模擬至關(guān)重要的兩件事：一個是了解我們無法用現(xiàn)實中的工具研究的科學。另一個是加快科學發(fā)展——簡化我們真正需要做的事情，從而減少我們制造東西和實際測試的成本和時間。

原標題：高效、低成本，基于物理的機器學習應(yīng)用于太陽能電池設(shè)計