論文の概要: Interpretable machine learning diagnosis of degradation mechanisms in lead-free $RbSn_{0.5}Ge_{0.5}I_{3}$ solar cells from temperature- and illumination-dependent electrical measurements
- arxiv url: http://arxiv.org/abs/2611.16750v1
- Date: Thu, 12 Nov 2026 13:03:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.473919
- Title: Interpretable machine learning diagnosis of degradation mechanisms in lead-free $RbSn_{0.5}Ge_{0.5}I_{3}$ solar cells from temperature- and illumination-dependent electrical measurements
- Title(参考訳): RbSn_{0.5}Ge_{0.5}I_{3}$太陽電池の温度および照明依存性電気的測定による劣化機構の解釈可能な機械学習診断
- Abstract要約: 本研究は, 42,000 SCAPS-1D シミュレーションを用いて, 鉛フリー$RbSn_0.5Ge_0.5I_3$太陽電池について検討した。
Spiro-OMeTADホールトランスポート層をCuIに置き換えると、シミュレーションされた電力変換効率が19.6%から21.6%に向上する。
逆問題では,6つの劣化機構のどれが温度および照明依存の開回路電圧測定から存在するかを多ラベル分類器で同定する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning coupled with device simulation is widely used to optimize thin-film solar cells, but almost exclusively in the forward direction, from device parameters to predicted performance. The inverse problem encountered after fabrication, namely identifying the mechanism that limits a given device, is still addressed by manual inspection of characterization data. In this work, both directions are examined for lead-free $RbSn_{0.5}Ge_{0.5}I_{3}$ solar cells using approximately 42,000 SCAPS-1D simulations. Replacing the Spiro-OMeTAD hole transport layer with CuI increases the simulated power conversion efficiency from 19.6\% to 21.6\%, almost entirely through the fill factor. Surrogate models trained and tested on a factorial parameter grid substantially overstate their predictive accuracy. An XGBoost regressor attains $R^2 = 0.9997$ on held-out grid points but only 0.58 on independently sampled devices, whereas training on a Latin hypercube design of comparable size restores $R^2 = 0.995$. For the inverse problem, a multi-label classifier identifies which of six degradation mechanisms are present from simulated temperature- and illumination-dependent open-circuit-voltage measurements. It achieves a macro $F_1$ score of 0.938, compared to 0.687 for a calibrated physics-rule baseline. The classifier does not, however, generalize to combinations of mechanisms absent from the training set.
- Abstract(参考訳): デバイスシミュレーションと組み合わせた機械学習は、薄膜太陽電池の最適化に広く用いられているが、デバイスパラメータから予測された性能まで、ほとんど前方にしか適用されない。
製造後に発生する逆問題、すなわち、特定のデバイスを制限するメカニズムを特定することは、キャラクタリゼーションデータの手動検査によって解決される。
本研究では、約42,000 SCAPS-1D シミュレーションを用いて、鉛フリーの$RbSn_{0.5}Ge_{0.5}I_{3}$太陽電池について検討した。
スピロ-OMeTADホール輸送層をCuIで置き換えると、シミュレーションされた電力変換効率が19.6\%から21.6\%に向上する。
サーロゲートモデルは、その予測精度を大幅に上回る因子パラメータグリッドで訓練され、テストされた。
XGBoostレグレシタはホールドアウトグリッドポイントで$R^2 = 0.9997$に達するが、独立したサンプルデバイスではわずか 0.58 である。
逆問題では,6つの劣化機構のどれが温度および照明依存の開回路電圧測定から存在するかを多ラベル分類器で同定する。
校正された物理ルールベースラインでは0.687に対して、マクロ$F_1$スコアは0.938である。
しかし、分類器は、トレーニングセットから外れたメカニズムの組み合わせに一般化しない。
関連論文リスト
- STAR-XPC: Set Transformer for Estimating X-ray Transmission in Polymer Composites [0.12234742322758417]
本稿では, 分子成分の無秩序な多重集合, 質量分数, 4つのバルク物理ディスクリプタを直接透過率にマッピングするニューラルネットワークモデルを提案する。
我々のモデルはモンテカルロシミュレーションよりも数桁高速である。
論文 参考訳(メタデータ) (2026-10-20T16:39:39Z) - Your Transformer Is Secretly Elastic [46.417041776406414]
本研究では,事前学習したトランスフォーマーを1つのモデルに変形させるリトレーニングフリー手法を提案する。
22Mから8Bまでの27個のトランスエンコーダを用いて,スムーズな劣化率を最大60%まで生成する。
論文 参考訳(メタデータ) (2026-10-14T17:58:08Z) - SQUARE: Structured Quantum Representation Adapters as Compact Quadratic Feature Maps for Frozen Language Models [50.300302932452006]
凍結言語モデル(LM)は、下流の再ランク付け、スコアリング、嗜好モデリングのための固定された特徴抽出器として、ますます使われている。
本稿では、ボトルネックベクトルを振幅符号化し、パラメータ化量子回路を適用し、その結果の状態を測定する構造量子表現アダプタを提案する。
各基底確率関数は、ちょうどボトルネック座標における正規化された二次形式であり、追加のPauli$Z$読み出しはそれらの確率の線形結合であることを示す。
論文 参考訳(メタデータ) (2026-09-29T09:38:29Z) - Cycle-Consistent and Uncertainty-Aware Neural Surrogates for Tokamak Edge Plasmas [0.040071856451118486]
境界プラズマと変圧器プラズマはトカマクが動力と粒子を排出する方法を支配している。
機械学習のサロゲートは高速な代替手段を提供するが、多くは前方のみである。
本稿では,エッジプラズマに対するサイクル一貫性ニューラルサロゲートを提案する。
論文 参考訳(メタデータ) (2026-07-23T15:06:57Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳(メタデータ) (2026-05-20T19:08:38Z) - Weight Decay Regimes in Grokking Transformers: Cheap Online Diagnostics [0.0]
モジュラー演算で訓練された変換器は、記憶、一般化、崩壊の急激な遷移を示す。
重み劣化はこれらの状態に対するスカラーな経験的制御パラメータとして機能することを示す。
トレーニングのダイナミクスをトラックするオンライン診断,平均的注意頭コサイン類似性とエントロピー標準偏差を導入する。
論文 参考訳(メタデータ) (2026-05-19T19:48:40Z) - The Geometry of Forgetting: Temporal Knowledge Drift as an Independent Axis in LLM Representations [50.43168858368539]
大規模言語モデルは自信を持って時代遅れの回答を生成し、既存の方法では検出できない。
これは工学的な失敗ではなく構造的な失敗であり、時間的ドリフトは、幾何的に残留流の方向として、正確性と不確実性の両方に符号化される。
論文 参考訳(メタデータ) (2026-05-09T22:27:31Z) - SimulCost: A Cost-Aware Benchmark and Toolkit for Automating Physics Simulations with LLMs [56.07550353240028]
物理シミュレーションにおけるコスト依存パラメータチューニングをターゲットとした最初のベンチマークであるSimulCostを紹介する。
SimulCostは、LCMチューニングのコスト感受性パラメータと従来のスキャン手法の精度と計算コストを比較した。
各シミュレータのコストは解析的に定義され、プラットフォームに依存しない。
論文 参考訳(メタデータ) (2026-03-11T05:00:48Z) - First-Principles Optical Descriptors and Hybrid Classical-Quantum Classification of Er-Doped CaF$_2$ [3.039491211255488]
本稿では、第一原理光ディスクリプタを用いて、ErドープCaF$からプリスタンスCaF$を識別するための古典量子機械学習フレームワークを提案する。
1系あたりのエネルギー分解点1,589点から、遷移エネルギー$E$、絶滅係数$$、吸収係数$$を含む物理的に解釈可能な記述子を抽出した。
論文 参考訳(メタデータ) (2026-01-31T05:43:59Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳(メタデータ) (2020-02-25T19:18:36Z)
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。