論文の概要: Machine Learning Co-pilot for Screening of Organic Molecular Additives for Perovskite Solar Cells

• arxiv url: http://arxiv.org/abs/2412.14109v1
• Date: Wed, 18 Dec 2024 17:52:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-19 13:22:48.468247
• Title: Machine Learning Co-pilot for Screening of Organic Molecular Additives for Perovskite Solar Cells
• Title（参考訳）: ペロブスカイト太陽電池用有機分子添加物のスクリーニングのための機械学習コパイロット
• Authors: Yang Pu, Zhiyuan Dai, Yifan Zhou, Ning Jia, Hongyue Wang, Yerzhan Mukhametkarimov, Ruihao Chen, Hongqiang Wang, Zhe Liu,
• Abstract要約: Co-Pilot for Perovskite Additive Screener (Co-PAS)は、ペロブスカイト太陽電池の添加性スクリーニングを加速するML駆動のフレームワークである。 Co-PASは、足場ベースの事前スクリーニングと潜木変分オートエンコーダ(JTVAE)を統合することで予測バイアスを克服する 新規なBoc-L-threonine N-hydroxysuccin ester(BTN)を含むいくつかの有望な伝達分子を同定する。
• 参考スコア（独自算出の注目度）: 12.969955836781773
• License:
• Abstract: Machine learning (ML) has been extensively employed in planar perovskite photovoltaics to screen effective organic molecular additives, while encountering predictive biases for novel materials due to small datasets and reliance on predefined descriptors. Present work thus proposes an effective approach, Co-Pilot for Perovskite Additive Screener (Co-PAS), an ML-driven framework designed to accelerate additive screening for perovskite solar cells (PSCs). Co-PAS overcomes predictive biases by integrating the Molecular Scaffold Classifier (MSC) for scaffold-based pre-screening and utilizing Junction Tree Variational Autoencoder (JTVAE) latent vectors to enhance molecular structure representation, thereby enhancing the accuracy of power conversion efficiency (PCE) predictions. Leveraging Co-PAS, we integrate domain knowledge to screen an extensive dataset of 250,000 molecules from PubChem, prioritizing candidates based on predicted PCE values and key molecular properties such as donor number, dipole moment, and hydrogen bond acceptor count. This workflow leads to the identification of several promising passivating molecules, including the novel Boc-L-threonine N-hydroxysuccinimide ester (BTN), which, to our knowledge, has not been explored as an additive in PSCs and achieves a device PCE of 25.20%. Our results underscore the potential of Co-PAS in advancing additive discovery for high-performance PSCs.
• Abstract（参考訳）: 機械学習(ML)は、効率的な有機分子添加物をスクリーニングするために平面ペロブスカイト太陽電池に広く採用され、一方で、小さなデータセットと事前定義された記述子への依存による新しい材料に対する予測バイアスに直面している。 そこで本研究では,ペロブスカイト太陽電池 (PSC) の添加性スクリーニングを高速化するML駆動型フレームワークであるCo-Pilot for Perovskite Additive Screener (Co-PAS) を提案する。 Co-PASは、足場ベースの事前スクリーニングのための分子スカフォード分類器(MSC)を統合し、ジャンクションツリー変分オートエンコーダ(JTVAE)潜伏ベクトルを利用して分子構造表現を強化することにより、予測バイアスを克服し、電力変換効率(PCE)予測の精度を高める。 Co-PASを活用することで、ドメイン知識を統合し、PubChemから25万分子の広範なデータセットをスクリーニングし、予測されたPCE値とドナー数、双極子モーメント、水素結合アクセプター数といった重要な分子特性に基づいて候補を優先順位付けする。 このワークフローは、新しいBoc-L-threonine N-hydroxysuccinimide ester(BTN)を含むいくつかの有望な伝達分子の同定に繋がる。 以上の結果から,Co-PASが高性能PSCの添加物発見に寄与する可能性が示唆された。

関連論文リスト

• Symmetry-Constrained Generation of Diverse Low-Bandgap Molecules with Monte Carlo Tree Search [0.7893073641122971]
  近赤外(NIR)感受性分子は、夜間視覚装置や生体医用イメージングにユニークな用途を持つ。 我々は、有機電子分子のドメインに焦点をあてた特許によるデータセットから構造的先行性を活用する。 提案手法は,特許データセットから対称性制約を保ちつつ,赤方偏移吸収を示す候補を生成する。
  論文  参考訳（メタデータ） (2024-10-11T14:09:27Z)
• GLaD: Synergizing Molecular Graphs and Language Descriptors for Enhanced Power Conversion Efficiency Prediction in Organic Photovoltaic Devices [43.511428925893675]
  本稿では,分子グラフと言語記述子の相乗化という,有機太陽光発電(OPV)デバイスにおける電力変換効率(PCE)の予測手法を提案する。 我々は、500対のPVドナーとアクセプター分子からなるデータセットを、対応するPCE値とともに収集し、予測モデルのトレーニングデータとして利用する。 GLaDはPCEの正確な予測を実現し、効率を向上した新しいPV分子の合成を容易にする。
  論文  参考訳（メタデータ） (2024-05-23T06:02:07Z)
• Quantum Computing-Enhanced Algorithm Unveils Novel Inhibitors for KRAS [10.732020360180773]
  我々は16量子ビットのIBM量子コンピュータでトレーニングされた量子アルゴリズムのパワーをシームレスに統合する量子古典的生成モデルを導入する。 我々の研究は、実験で確認された生物学的ヒットを生み出すために量子生成モデルを使用した初めてのものである。
  論文  参考訳（メタデータ） (2024-02-13T04:19:06Z)
• SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
  多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。 この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。 分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
  論文  参考訳（メタデータ） (2023-12-12T09:33:54Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• HD-Bind: Encoding of Molecular Structure with Low Precision, Hyperdimensional Binary Representations [3.3934198248179026]
  超次元計算(HDC)は、低精度二進ベクトル算術を活用できる学習パラダイムである。 本稿では,HDCに基づく推論手法が,より複雑な機械学習手法よりも90倍効率が高いことを示す。
  論文  参考訳（メタデータ） (2023-03-27T21:21:46Z)
• Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design [133.1268990638971]
  標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。 そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-08-30T09:32:39Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)
• CogMol: Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models [74.58583689523999]
  新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。 CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。 CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
  論文  参考訳（メタデータ） (2020-04-02T18:17:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。