論文の概要: Generative Machine Learning Models for the Deconvolution of Charge Carrier Dynamics in Organic Photovoltaic Cells

• arxiv url: http://arxiv.org/abs/2511.01118v1
• Date: Sun, 02 Nov 2025 23:32:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.070959
• Title: Generative Machine Learning Models for the Deconvolution of Charge Carrier Dynamics in Organic Photovoltaic Cells
• Title（参考訳）: 有機太陽電池における電荷キャリアダイナミクスのデコンボリューションのための生成機械学習モデル
• Authors: Li Raymond, Salim Flora, Wang Sijin, Wright Brendan,
• Abstract要約: beta-LLODEは機械学習フレームワークで、P3HT:PCBM細胞から抽出ダイナミクスを分離、再構成する。 学習可能な解釈可能な潜在空間は、実験的な測定条件の外挿と外挿の両方を含むシミュレーションを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Charge carrier dynamics critically affect the efficiency and stability of organic photovoltaic devices, but they are challenging to model with traditional analytical methods. We introduce \b{eta}-Linearly Decoded Latent Ordinary Differential Equations (\b{eta}-LLODE), a machine learning framework that disentangles and reconstructs extraction dynamics from time-resolved charge extraction measurements of P3HT:PCBM cells. This model enables the isolated analysis of the underlying charge carrier behaviour, which was found to be well described by a compressed exponential decay. Furthermore, the learnt interpretable latent space enables simulation, including both interpolation and extrapolation of experimental measurement conditions, offering a predictive tool for solar cell research to support device study and optimisation.
• Abstract（参考訳）: 荷電担体力学は有機太陽光発電装置の効率と安定性に重大な影響を及ぼすが、従来の分析手法でモデル化することは困難である。 本稿では,P3HT:PCBMセルの時間分解電荷抽出測定から抽出ダイナミクスを分解・再構成する機械学習フレームワークである \b{eta}-Linearly Decoded Latent Ordinary Differential Equations (\b{eta}-LLODE) を紹介する。 このモデルにより、圧縮された指数減衰によってよく説明される電荷キャリアの挙動を孤立的に解析することができる。 さらに、学習可能な解釈可能な潜伏空間は、実験的な測定条件の補間と外挿の両方を含むシミュレーションを可能にし、デバイス研究と最適化を支援するための太陽電池研究の予測ツールを提供する。

関連論文リスト

• Beyond Ensembles: Simulating All-Atom Protein Dynamics in a Learned Latent Space [4.5211402678313135]
  LD-FPGの学習潜在空間内でのダイナミクスをシミュレーションするモジュールコンポーネントであるGraph Latent Dynamics Propagator (GLDP)を紹介する。 我々は,スコア誘導ランゲヴィン力学,(ii)クープマンに基づく線形作用素,(iii)自己回帰ニューラルネットワークの3種類のプロパゲータを比較した。 統合エンコーダ・プロパゲータ・デコーダ・フレームワーク内では、長い水平安定性、バックボーンとサイドチェーンのアンサンブルの忠実さ、機能的自由エネルギーの景観を評価する。
  論文  参考訳（メタデータ） (2025-09-02T11:09:06Z)
• Transformer-Based Decomposition of Electrodermal Activity for Real-World Mental Health Applications [0.0]
  本研究では,EDA信号分解のための知識駆動型,統計的,深層学習に基づく手法の比較分析を行った。 著者らは、Autoformerアーキテクチャから適応した新しいトランスフォーマーベースのモデルであるFeel Transformerを紹介した。 このモデルは、リアルタイム生体信号解析の可能性を示し、ストレス予測、デジタルメンタルヘルス介入、生理的予測における将来的な応用を示す。
  論文  参考訳（メタデータ） (2025-06-04T17:07:40Z)
• A scalable gene network model of regulatory dynamics in single cells [88.48246132084441]
  本稿では,遺伝子ネットワーク構造を結合微分方程式に組み込んで,遺伝子制御関数をモデル化する機能的学習可能モデルFLeCSを提案する。 FLeCS は (pseudo) 時系列の単一セルデータから, セルの動態を正確に推定する。
  論文  参考訳（メタデータ） (2025-03-25T19:19:21Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Discovery of sparse hysteresis models for piezoelectric materials [1.3669389861593737]
  本稿では, スパース・レグレッション法を用いて圧電材料をモデル化する手法を提案する。 提案したアプローチは、従来の回帰ベースのニューラルネットワーク手法と比較され、その効率性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-02-10T15:21:36Z)
• Integrating Physics-Based Modeling with Machine Learning for Lithium-Ion Batteries [4.946066838162504]
  本稿では,LiBの高精度モデリングを実現するために,物理モデルと機械学習を統合する2つの新しいフレームワークを提案する。 これらのフレームワークは、物理モデルの状態情報の機械学習モデルに通知することで特徴付けられる。 この研究はさらに、老化を意識したハイブリッドモデリングの実施へと拡張され、予測を行うために健康状態に意識したハイブリッドモデルの設計につながった。
  論文  参考訳（メタデータ） (2021-12-24T07:39:02Z)
• Using scientific machine learning for experimental bifurcation analysis of dynamic systems [2.204918347869259]
  本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。 数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。 ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
  論文  参考訳（メタデータ） (2021-10-22T15:43:03Z)

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。