論文の概要: CycleChemist: A Dual-Pronged Machine Learning Framework for Organic Photovoltaic Discovery
- arxiv url: http://arxiv.org/abs/2511.19500v1
- Date: Sun, 23 Nov 2025 16:31:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-26 17:37:04.048669
- Title: CycleChemist: A Dual-Pronged Machine Learning Framework for Organic Photovoltaic Discovery
- Title（参考訳）: CycleChemist: 有機太陽電池発見のためのデュアルプロンプト機械学習フレームワーク
- Authors: Hou Hei Lam, Jiangjie Qiu, Xiuyuan Hu, Wentao Li, Fankun Zeng, Siwei Fu, Hao Zhang, Xiaonan Wang,
- Abstract要約: 我々は、予測モデリングと生成分子設計を組み合わせた、OPV発見のための二重機械学習フレームワークを提案する。
我々は,2000個の実験的に特徴付けられたドナーアクセプターペアを含む,その種の最大のキュレートデータセットである有機太陽光発電ドナーアクセプターデータセット(OPV2D)を提示する。
このフレームワークには、HOMOとLUMOのエネルギーレベルを予測するための軌道エネルギー推定器(MOE2)と、PCEを推定する太陽光発電性能予測器(P3)が含まれる。
- 参考スコア（独自算出の注目度）: 12.514751935736108
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Organic photovoltaic (OPV) materials offer a promising path toward sustainable energy generation, but their development is limited by the difficulty of identifying high performance donor and acceptor pairs with strong power conversion efficiencies (PCEs). Existing design strategies typically focus on either the donor or the acceptor alone, rather than using a unified approach capable of modeling both components. In this work, we introduce a dual machine learning framework for OPV discovery that combines predictive modeling with generative molecular design. We present the Organic Photovoltaic Donor Acceptor Dataset (OPV2D), the largest curated dataset of its kind, containing 2000 experimentally characterized donor acceptor pairs. Using this dataset, we develop the Organic Photovoltaic Classifier (OPVC) to predict whether a material exhibits OPV behavior, and a hierarchical graph neural network that incorporates multi task learning and donor acceptor interaction modeling. This framework includes the Molecular Orbital Energy Estimator (MOE2) for predicting HOMO and LUMO energy levels, and the Photovoltaic Performance Predictor (P3) for estimating PCE. In addition, we introduce the Material Generative Pretrained Transformer (MatGPT) to produce synthetically accessible organic semiconductors, guided by a reinforcement learning strategy with three objective policy optimization. By linking molecular representation learning with performance prediction, our framework advances data driven discovery of high performance OPV materials.
- Abstract（参考訳）: 有機太陽光発電(OPV)材料は、持続可能なエネルギー発生への道筋を提供するが、高性能ドナーと強力な電力変換効率(PCEs)を持つアクセプター対を特定することの難しさにより、その開発は制限されている。
既存の設計戦略は通常、両方のコンポーネントをモデリングできる統一されたアプローチを使用するのではなく、ドナーまたはアクセプタのみに焦点を当てる。
本研究では,予測モデルと生成分子設計を組み合わせたOPV発見のための2つの機械学習フレームワークを提案する。
我々は,2000個の実験的に特徴付けられたドナーアクセプターペアを含む,その種の最大のキュレートデータセットである有機太陽光発電ドナーアクセプターデータセット(OPV2D)を提示する。
このデータセットを用いて、材料がOPV挙動を示すかどうかを予測するための有機太陽光発電分類器(OPVC)と、マルチタスク学習とドナーアクセプタ相互作用モデリングを組み込んだ階層型グラフニューラルネットワークを開発する。
このフレームワークには、HOMOとLUMOのエネルギーレベルを予測する分子軌道エネルギー推定器(MOE2)と、PCEを推定する太陽光発電性能予測器(P3)が含まれる。
さらに, 材料生成事前学習型変換器(MatGPT)を導入し, 3つの客観的ポリシー最適化による強化学習戦略により, 合成可能な有機半導体を製造する。
分子表現学習と性能予測を結びつけることで,高性能なOPV材料のデータ駆動による発見を推し進める。
関連論文リスト
- Solar-GECO: Perovskite Solar Cell Property Prediction with Geometric-Aware Co-Attention [5.680630061642918]
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。
論文 参考訳（メタデータ） (2025-11-24T16:15:41Z) - Accelerating High-Efficiency Organic Photovoltaic Discovery via Pretrained Graph Neural Networks and Generative Reinforcement Learning [8.898093296126603]
我々は,グラフニューラルネットワーク(GNN)の大規模事前学習とGPT-2に基づく強化学習(RL)戦略を統合するフレームワークを提案する。
このアプローチは予測効率が21%に近づいた候補分子を生成するが、さらなる実験的な検証が必要である。
私たちは現在、3000近いドナー-アクセプタペアを含む、最大のオープンソースOPVデータセットを構築しています。
論文 参考訳（メタデータ） (2025-03-31T06:31:15Z) - Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。
本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
論文 参考訳（メタデータ） (2024-07-11T09:04:12Z) - 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) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - Graph Machine Learning for Design of High-Octane Fuels [47.43758223690195]
コンピュータ支援分子設計(CAMD)は、所望の自己着火特性を持つ分子を識別することができる。
本稿では,生成グラフMLモデルとグラフニューラルネットワークと最適化を統合したグラフ-ML CAMDフレームワークを提案する。
我々は、さらなる自動点火訓練データの必要性を実験的に調査し、説明するために使用した。
論文 参考訳（メタデータ） (2022-06-01T16:43:04Z) - 3D pride without 2D prejudice: Bias-controlled multi-level generative
models for structure-based ligand design [1.978587235008588]
データスパーシリティとバイアスは、3D認識モデルの開発における2つの主要な障害である。
バイアス制御とデータ効率を改善するために,マルチレベルコントラスト学習に基づくファーストインキンドトレーニングプロトコルを提案する。
論文 参考訳（メタデータ） (2022-04-22T12:23:59Z) - Energy-based View of Retrosynthesis [70.66156081030766]
エネルギーモデルとしてシーケンスおよびグラフベースの手法を統一するフレームワークを提案する。
本稿では,ベイズ前方および後方予測に対して一貫した訓練を行うフレームワーク内での新しい二重変種を提案する。
このモデルは、反応型が不明なテンプレートフリーアプローチに対して、最先端の性能を9.6%向上させる。
論文 参考訳（メタデータ） (2020-07-14T18:51:06Z) - Machine Learning Enabled Discovery of Application Dependent Design
Principles for Two-dimensional Materials [1.1470070927586016]
我々は熱力学、機械的、電子的特性を予測するためにモデルのアンサンブルを訓練する。
ほぼ2つの非結合なアプリケーションに対して,45,000近い構造体をスクリーニングする。
有機-無機ペロブスカイトと鉛とスズとのハイブリッドが太陽電池の応用に好適であることが判明した。
論文 参考訳（メタデータ） (2020-03-19T23:13:50Z)
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。