論文の概要: Temperature-Driven Sequential Modeling for the Prediction of Annual Power Conversion Efficiency Profiles of Organic Photovoltaic Materials: Douala Case Study
- arxiv url: http://arxiv.org/abs/2608.11261v1
- Date: Sun, 09 Aug 2026 16:24:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.31246
- Title: Temperature-Driven Sequential Modeling for the Prediction of Annual Power Conversion Efficiency Profiles of Organic Photovoltaic Materials: Douala Case Study
- Title（参考訳）: 有機太陽電池材料の年次電力変換効率プロファイル予測のための温度駆動シーケンスモデル:二重事例研究
- Abstract要約: 有機太陽電池(OPV)材料は、熱帯地域での分散型太陽エネルギーの候補として期待されている。
ここでは,OPVドナー分子のPCEプロファイルを年次予測するClimate-Native計算フレームワークを紹介する。
また, 熱帯性条件下での性能整合性により, OPV候補を再現する季節安定性スコアも導入した。
- 参考スコア（独自算出の注目度）: 0.8941624592392746
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Organic photovoltaic (OPV) materials are promising candidates for distributed solar energy in tropical regions, yet existing virtual screening tools report static power conversion efficiency (PCE) values at standard testing conditions (STC) that fail to capture the temperature-driven performance degradation experienced under real deployment conditions. Here we introduce a Climate-Native computational framework that forecasts the annual PCE profile of OPV donor molecules under geographically realistic operating conditions. The framework combines GFN2-xTB molecular dynamics with an equivariant graph neural network surrogate ($268$ Neyman-stratified CEP molecules; $120,600$ training geometries; $\sim 1050\times$ speedup over explicit quantum chemistry) and sequential deep learning models trained on annual time series anchored in NASA POWER climate data for Douala, Cameroon, and validated by zero-shot transfer to Yaoundé and Maroua. Applied to $\sim 30,000$ molecules from the Harvard Clean Energy Project (CEP) and validated against $350$ HOPV15 experimental device measurements, the framework demonstrates that sequential models trained on full molecular dynamics trajectories outperform time-averaged baselines ($35\%$-$48\%$ relative MAE improvement over static baselines), confirming that thermal conformational dynamics carry information beyond mean geometry. We further introduce a seasonal stability score that reranks OPV candidates by performance consistency under tropical conditions, identifying molecules whose deployment suitability differs substantially from their static PCE ranking.
- Abstract（参考訳）: 有機太陽電池(OPV)材料は、熱帯地域での分散型太陽エネルギーの候補として期待されているが、既存の仮想スクリーニングツールでは、標準試験条件(STC)における静的電力変換効率(PCE)の値を報告しており、実際の展開条件下での温度駆動性能劣化を捉えていない。
ここでは,OPVドナー分子の年次PCEプロファイルを,地理的に現実的な操作条件下で予測するClimate-Native計算フレームワークを紹介する。
このフレームワークは、GFN2-xTB分子動力学と、同変グラフニューラルネットワークのサロゲート(268$Neyman-stratified CEP molecules; 120,600$ training geometries; $\sim 1050\times$ speedup over explicit quantum chemistry)と、NASA POWER気候データに固定された年次深層学習モデルを組み合わせる。
ハーバード・クリーン・エナジー・プロジェクト(CEP)から3万ドル(約3300万円)の分子を合成し、350ドル(約3万3000円)のHOPV15の実験装置測定に対して検証したこのフレームワークは、フル分子動力学で訓練されたシーケンシャルモデルが、平均的ベースラインよりも優れた時間平均ベースライン(35\%$-48\%$)を達成し、熱コンフォメーション力学が平均幾何学を超えた情報をもたらすことを実証している。
さらに、熱帯性条件下での性能整合性によりOPV候補を再現する季節安定性スコアを導入し、配置適合性が静的PCEランキングと大きく異なる分子を同定する。
関連論文リスト
- Climate Physics Dynamic Matching [46.03496190842378]
ClimPhyDM(ClimPhyDM)は,気象予報のための変動シミュレーションのない動的情報伝達フレームワークである。
時間毎(42時間)と月毎(5ヶ月)のERA5ベンチマークでは、ClimPhyDMがClimODEやGB-DMより優れており、エラーの少ない水平線を保っている。
論文 参考訳（メタデータ） (2026-08-27T10:07:40Z) - Energy Yield and Lifetime Climate Classification via Machine Learning for Optimizing Photovoltaic Module Design and Materials [31.798185135917084]
様々な機械学習(ML)技術を用いて、PVアプリケーションに適した気候分類フレームワークを開発する。
我々のアプローチは、エネルギー収量と、気候に依存した劣化を伴うモジュール寿命の両方を取り入れている。
その結果は、PVモジュールの最適化、システムシットの決定、および比較パフォーマンス研究など、幅広いアプリケーションをサポートすることができる。
論文 参考訳（メタデータ） (2026-08-26T07:12:42Z) - Physics-Informed Neural Networks for Predicting Nitrous Oxide Flux [0.0]
酸化窒素 (N$O) は21世紀に放出されたオゾンの分解物質である。
農業プロセスの結果、N$O排出量の70%以上が発生している。
N$Oフラックスの放出を予測する現在のアプローチには、プロセスベースのモデルと古典的なAIモデルが含まれる。
論文 参考訳（メタデータ） (2026-07-26T22:53:02Z) - Robust and Interpretable Adaptation of Equivariant Materials Foundation Models via Sparsity-promoting Fine-tuning [48.04423567569116]
そこで本研究では,モデルパラメータを選択的に更新するスポーシティ・プロモーティング・ファインチューニング手法を提案する。
エネルギーおよび力の予測タスクにおいて、本手法は完全な微調整および等変低ランク適応に適合するか、超越する。
本研究は, 同種材料基盤モデルのドメイン特殊化のためのフレキシブルかつ解釈可能な手法として, 疎性促進ファインタニングを確立した。
論文 参考訳（メタデータ） (2026-06-17T05:10:18Z) - Bayesian Optimization of a Multi-Product Chemical Reactor Using Composite Models and Partial Physics Knowledge [0.764671395172401]
生成物濃度や反応器温度など,ガウス過程(GP)モデルが物理的に有意な出力を予測する合成式を用いる。
これにより、経済目標の構造を保ち、再トレーニングを必要とせずに価格の変動をパラメトリックにし、利用可能なエネルギー収支に対して候補となる運用ポイントをチェックできる。
取得関数は、GP予測出力と候補入力に代えて得られる大きなエネルギーバランスミスマッチを、利用可能な定常エネルギーバランスに罰する。
論文 参考訳（メタデータ） (2026-06-07T12:49:57Z) - Time series Foundation Models based on Physics-Informed Synthetic Histories for Cold-Start Photovoltaic Forecasting [45.753923525593045]
評価は4つのデータセットと多様な気候体制にまたがる440ドルのPVサイトに及んでいる。
性能は、合成履歴源にはほとんど敏感であり、精度は特定の発生器よりも、可視的時間的文脈の可用性によってより引き起こされることを示している。
論文 参考訳（メタデータ） (2026-06-05T17:05:19Z) - Universal Battery Degradation Forecasting Driven by Foundation Model Across Diverse Chemistries and Conditions [15.502149500162227]
この研究は、様々な化学薬品や使用シナリオにわたる堅牢なパフォーマンスを維持する、統一されたキャパシティ予測フレームワークを提案する。
我々は20の公開老化データセットを1,704個の細胞と3,961,195個の充電サイクルセグメントを含む大規模コーパスにキュレートした。
観測されたデータセットと、意図的に保持されていないデータセットの両方の実験は、単一の統一モデルが、強いデータセット毎のベースラインと比較して、競争力または優れた精度を達成することを示している。
論文 参考訳（メタデータ） (2025-12-30T10:14:37Z) - Overclocking Electrostatic Generative Models [59.271136356755996]
PFGM++は補助次元$D$で拡張データ空間で動作し、拡散モデルフレームワークを$Dtoinfty$として回復する。
Inverse Poisson Flow Matching (IPFM, Inverse Poisson Flow Matching)を提案する。
IPFMは、ごく少数の機能評価だけで、ほぼ教師に近い、あるいは優れたサンプル品質を実現する蒸留発電機を生産する。
論文 参考訳（メタデータ） (2025-09-26T15:07:23Z) - Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。
このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。
本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
論文 参考訳（メタデータ） (2025-03-14T02:58:24Z) - PACER: Physics Informed and Uncertainty Aware Climate Emulator [0.6372261626436676]
比較的軽量な2.1MパラメータであるPACERを提案する。
PACERは様々な空間解像度と物理に基づく気候モデルで訓練されている。
PACERのエミュレーション性能は,20の気候モデルにおいて,関連するベースラインよりも優れていた。
論文 参考訳（メタデータ） (2024-10-29T01:53:40Z) - Atmospheric Transport Modeling of CO$_2$ with Neural Networks [46.26819563674888]
大気中のCO$の分布を大気トレーサー輸送モデルで正確に記述することは、温室効果ガスモニタリングおよび検証支援システムに不可欠である。
大きな深層ニューラルネットワークは、大気の3Dモデリングを必要とする気象予報に革命を起こす可能性がある。
本研究では,気象予測の最先端として実証された4種類の深層ニューラルネットワークについて検討し,大気トレーサー輸送モデルの有用性について検討した。
論文 参考訳（メタデータ） (2024-08-20T17:33:20Z)
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。