基于深度学习预测有机光伏电池能量转换效率 - 太阳能学报杂志社投稿_期刊论文发表|版面费|电话|编辑部- 太阳能学报

来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。一、投稿方式： 1、请从我刊官网直接投稿。 2、请从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。二、稿件著作权： 1、投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、第5条所述之网络是指通过我刊官网。 7、投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

基于深度学习预测有机光伏电池能量转换效率

作者:

关键词:

摘要：

采用一种针对有机化合物提出的类语言分子描述符对哈佛清洁能源项目数据库(CEPDB)中个有机太阳能电池供体分子进行描述,分子将基于最近邻子图理论被分解成片段(词),并利用广度优先搜索算法将片段排列成一定的序列(句子),在每个片段的信息被嵌入一个数值向量后,每个分子可表示为一个信息矩阵。在此基础上,通过一个深层神经网络提取嵌入信息,并与对应材料的光电转换效率(PCE)关联,获得了决定系数(R~2)为0.97、均方误差(MSE)为0.16的预测结果。与现有方法的比较表明该方法在精度上具有竞争力。在建模过程中引入注意力机制,识别出了几个对PCE值具有决定性意义的分子片段,可为有机光伏材料的逆向设计提供指导信息。

文章来源：《太阳能学报》网址: http://www.tynxbzz.cn/qikandaodu/2021/0422/935.html