論文の概要: Transfer learning discovery of molecular modulators for perovskite solar cells

• arxiv url: http://arxiv.org/abs/2511.00204v1
• Date: Fri, 31 Oct 2025 19:04:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.670888
• Title: Transfer learning discovery of molecular modulators for perovskite solar cells
• Title（参考訳）: ペロブスカイト太陽電池用分子変調器の転移学習による発見
• Authors: Haoming Yan, Xinyu Chen, Yanran Wang, Zhengchao Luo, Weizheng Huang, Hongshuai Wang, Peng Chen, Yuzhi Zhang, Weijie Sun, Jinzhuo Wang, Qihuang Gong, Rui Zhu, Lichen Zhao,
• Abstract要約: 機械学習は、材料発見を加速する可能性がある。 MLをPSCに適用することは、データ不足と従来の量的構造-プロパティ関係(QSPR)モデルの制限のため、依然として大きな課題である。 本稿では,分子変調器がPSCの電力変換効率(PCE)に与える影響を予測するために,事前訓練された深層ニューラルネットワークに基づく化学情報伝達学習フレームワークを適用した。
• 参考スコア（独自算出の注目度）: 12.261047353532591
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The discovery of effective molecular modulators is essential for advancing perovskite solar cells (PSCs), but the research process is hindered by the vastness of chemical space and the time-consuming and expensive trial-and-error experimental screening. Concurrently, machine learning (ML) offers significant potential for accelerating materials discovery. However, applying ML to PSCs remains a major challenge due to data scarcity and limitations of traditional quantitative structure-property relationship (QSPR) models. Here, we apply a chemical informed transfer learning framework based on pre-trained deep neural networks, which achieves high accuracy in predicting the molecular modulator's effect on the power conversion efficiency (PCE) of PSCs. This framework is established through systematical benchmarking of diverse molecular representations, enabling lowcost and high-throughput virtual screening over 79,043 commercially available molecules. Furthermore, we leverage interpretability techniques to visualize the learned chemical representation and experimentally characterize the resulting modulator-perovskite interactions. The top molecular modulators identified by the framework are subsequently validated experimentally, delivering a remarkably improved champion PCE of 26.91% in PSCs.
• Abstract（参考訳）: 効果的な分子変調器の発見は、ペロブスカイト太陽電池(PSC)の進行に不可欠であるが、研究プロセスは、化学空間の広大さと、時間と費用のかかる試行錯誤の実験スクリーニングによって妨げられている。 同時に、機械学習(ML)は、材料発見を加速する大きな可能性を秘めている。 しかし、MLをPSCに適用することは、データ不足と従来の量的構造-プロパティ関係(QSPR)モデルの限界のために依然として大きな課題である。 本稿では,分子変調器がPSCの電力変換効率(PCE)に与える影響を予測するために,事前訓練された深層ニューラルネットワークに基づく化学情報伝達学習フレームワークを適用した。 このフレームワークは多様な分子表現の系統的なベンチマークによって確立され、79,043個の市販分子を低コストかつ高スループットで仮想スクリーニングすることができる。 さらに, 解析された化学表現を可視化し, 得られたモジュレータ-ペロブスカイト相互作用を実験的に特徴づけるために, 解釈可能性技術を活用する。 フレームワークによって同定されたトップ分子変調器はその後実験的に検証され、PSCにおいて26.91%の優れたチャンピオンPCEを提供する。

関連論文リスト

• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Machine Learning Co-pilot for Screening of Organic Molecular Additives for Perovskite Solar Cells [12.969955836781773]
  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。
  論文  参考訳（メタデータ） (2024-12-18T17:52:45Z)
• Enhanced sampling of robust molecular datasets with uncertainty-based collective variables [0.0]
  化学関連データポイントの取得を導くために,不確実性を集合変数(CV)として活用する手法を提案する。 このアプローチでは、1つのモデルからのガウス混合モデルに基づく不確実性測定を、偏りのある分子動力学シミュレーションのためのCVとして採用する。
  論文  参考訳（メタデータ） (2024-02-06T06:42:51Z)
• PACIA: Parameter-Efficient Adapter for Few-Shot Molecular Property Prediction [41.631010796783706]
  パラメータ効率のよいMPP用GNNアダプタであるPACIAを提案する。 次に,タスクレベルではエンコーダ,クエリレベルでは予測器に適応するため,階層的な適応機構を採用する。
  論文  参考訳（メタデータ） (2023-10-01T08:28:04Z)
• MolCAP: Molecular Chemical reActivity pretraining and prompted-finetuning enhanced molecular representation learning [3.179128580341411]
  MolCAPは、化学反応性(IMR)知識に基づくグラフ事前学習トランスフォーマーであり、微調整を誘導する。 MolCAPによって推進され、基礎的なグラフニューラルネットワークでさえ、以前のモデルを上回る驚くべきパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2023-06-13T13:48:06Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• Do Large Scale Molecular Language Representations Capture Important Structural Information? [31.76876206167457]
  本稿では,MoLFormerと呼ばれる効率的なトランスフォーマーエンコーダモデルのトレーニングにより得られた分子埋め込みについて述べる。 実験の結果,グラフベースおよび指紋ベースによる教師付き学習ベースラインと比較して,学習された分子表現が競合的に機能することが確認された。
  論文  参考訳（メタデータ） (2021-06-17T14:33:55Z)

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。