論文の概要: Solar-GECO: Perovskite Solar Cell Property Prediction with Geometric-Aware Co-Attention

• arxiv url: http://arxiv.org/abs/2511.19263v1
• Date: Mon, 24 Nov 2025 16:15:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.303123
• Title: Solar-GECO: Perovskite Solar Cell Property Prediction with Geometric-Aware Co-Attention
• Title（参考訳）: Solar-GECO:Geometric-Aware Co-Attentionによるペロブスカイト太陽電池特性予測
• Authors: Lucas Li, Jean-Baptiste Puel, Florence Carton, Dounya Barrit, Jhony H. Giraldo,
• Abstract要約: ペロブスカイト太陽電池は次世代の太陽電池の候補として期待されている。 マルチスケールデバイスとしてのそれらの性能は、構成層間の複雑な相互作用によって決定される。 幾何学的コアテンションモデルを用いてペロブスカイト太陽電池の電力変換効率を予測することを提案する。
• 参考スコア（独自算出の注目度）: 5.680630061642918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Perovskite solar cells are promising candidates for next-generation photovoltaics. However, their performance as multi-scale devices is determined by complex interactions between their constituent layers. This creates a vast combinatorial space of possible materials and device architectures, making the conventional experimental-based screening process slow and expensive. Machine learning models try to address this problem, but they only focus on individual material properties or neglect the important geometric information of the perovskite crystal. To address this problem, we propose to predict perovskite solar cell power conversion efficiency with a geometric-aware co-attention (Solar-GECO) model. Solar-GECO combines a geometric graph neural network (GNN) - that directly encodes the atomic structure of the perovskite absorber - with language model embeddings that process the textual strings representing the chemical compounds of the transport layers and other device components. Solar-GECO also integrates a co-attention module to capture intra-layer dependencies and inter-layer interactions, while a probabilistic regression head predicts both power conversion efficiency (PCE) and its associated uncertainty. Solar-GECO achieves state-of-the-art performance, significantly outperforming several baselines, reducing the mean absolute error (MAE) for PCE prediction from 3.066 to 2.936 compared to semantic GNN (the previous state-of-the-art model). Solar-GECO demonstrates that integrating geometric and textual information provides a more powerful and accurate framework for PCE prediction.
• Abstract（参考訳）: ペロブスカイト太陽電池は次世代の太陽電池の候補として期待されている。 しかし, マルチスケールデバイスとしての性能は, 構成層間の複雑な相互作用によって決定される。 これにより、可能な材料とデバイスアーキテクチャの膨大な組み合わせ空間が作られ、従来の実験ベースのスクリーニングプロセスは遅くて高価である。 機械学習モデルはこの問題に対処しようとするが、個々の材料特性にのみ焦点をあてるか、ペロブスカイト結晶の重要な幾何学的情報を無視する。 この問題に対処するために,幾何学的コアテンション(Solar-GECO)モデルを用いて,ペロブスカイト太陽電池の電力変換効率を予測することを提案する。 Solar-GECOは、ペロブスカイト吸収体の原子構造を直接コードする幾何学グラフニューラルネットワーク(GNN)と、輸送層やその他のデバイスコンポーネントの化学化合物を表すテキスト文字列を処理する言語モデル埋め込みを組み合わせる。 Solar-GECOはまた、層内依存関係と層間相互作用をキャプチャするコアテンションモジュールを統合し、確率回帰ヘッドは電力変換効率(PCE)と関連する不確実性の両方を予測する。 Solar-GECOは最先端の性能を達成し、いくつかのベースラインを著しく上回り、PCE予測の平均絶対誤差(MAE)をセマンティックGNN(以前の最先端モデル)と比較して3.066から2.936に削減した。 Solar-GECOは、幾何情報とテキスト情報を統合することで、PCE予測のためのより強力で正確なフレームワークを提供することを示した。

関連論文リスト

• Scalable Machine Learning Analysis of Parker Solar Probe Solar Wind Data [0.0]
  本稿では、パーカー・ソーラー・プローブ(PSP)太陽風データを解析するためのスケーラブルな機械学習フレームワークを提案する。 PSPデータセットは150GBを超え、従来の分析手法に挑戦する。 太陽からの距離で太陽風速を上昇させるなど,内層大気の特徴的な傾向を明らかにした。
  論文  参考訳（メタデータ） (2025-10-24T00:41:39Z)
• Ultra-short-term solar power forecasting by deep learning and data reconstruction [60.200987006598524]
  深層学習に基づく超短周期太陽エネルギー予測とデータ再構成を提案する。 我々は、ターゲット予測期間に対する長期的および短期的依存関係をキャプチャするために、ディープラーニングモデルを用いる。
  論文  参考訳（メタデータ） (2025-09-21T14:22:35Z)
• PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
  PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。 ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。 最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
  論文  参考訳（メタデータ） (2024-12-26T17:02:19Z)
• Efficient Materials Informatics between Rockets and Electrons [0.0]
  この論文は、超高温耐火高エントロピー合金(RHEA)を組み込んだ機能性グレード材料(FGM)の設計に焦点を当てている。 原子レベルでは、MPDDと呼ばれる450万以上の緩和された構造から機械学習(ML)に最適化されたデータエコシステムが、実験的な観察を知らせ、熱力学モデルを改善するために使用される。 結果として生じるマルチレベル発見インフラストラクチャは、既存のソリューションを探すのではなく、問題のエンコーディングに重点を置いているため、非常に一般化可能である。
  論文  参考訳（メタデータ） (2024-07-05T17:03:26Z)
• MATNet: Multi-Level Fusion Transformer-Based Model for Day-Ahead PV Generation Forecasting [0.47518865271427785]
  MATNetはPV発電予測のための新しい自己アテンショントランスフォーマーベースのアーキテクチャである。 これは、AIパラダイムとPV発電に関する以前の物理的知識を組み合わせたハイブリッドアプローチで構成されている。 その結果,提案アーキテクチャは現在の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-17T14:03:09Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• Out-of-time-order correlations and the fine structure of eigenstate thermalisation [58.720142291102135]
  量子情報力学と熱化を特徴付けるツールとして、OTOC(Out-of-time-orderor)が確立されている。 我々は、OTOCが、ETH(Eigenstate Thermalisation hypothesis)の詳細な詳細を調査するための、本当に正確なツールであることを明確に示している。 無限温度状態における局所作用素の和からなる可観測物の一般クラスに対して、$omega_textrmGOE$の有限サイズスケーリングを推定する。
  論文  参考訳（メタデータ） (2021-03-01T17:51:46Z)
• Short term solar energy prediction by machine learning algorithms [0.47791962198275073]
  機械学習技術の強みを利用した日次太陽エネルギー予測について報告する。 線形, 尾根, ラッソ, 決定木, ランダム森林, 人工ニューラルネットワークなどのベースライン回帰器の予測モデルを実装した。 改良された精度は,2つのグリッドサイズでランダム森林と尾根回帰器によって達成されている。
  論文  参考訳（メタデータ） (2020-10-25T17:56:03Z)

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。