机构名称：
¥ 1.0
在开发OPV设备的早期，发现大量异质结（BHJ）设备的主动层与更简单的平面异质结。1从那时起，广泛的工作一直致力于优化具有各种处理条件的BHJ活性层的形态（例如，，溶剂，浓度，溶剂添加剂，热退火等。）。2 - 4因此，众所周知，设备制造程序（例如，进程溶剂，自旋涂层速度，退火温度）在OPV活性层的形态中起重要作用，因为lm形成的过程在动力学上受到限制。5对形态在OPV设备性能方面的重要性进行了广泛的研究，有2,3,5，并在包括激子差异，6个电荷分隔和运输的过程中发挥作用，7和设备稳定性。8,9然而，预先预先派遣了不同材料与设备制造参数之间的复杂相关性，以及它们在nal设备性能上的集体构成的集体构成了持久的挑战。这种复杂性是一个强大的障碍，阻碍了OPV设备性能的准确预测，并有助于生产过程的费力和昂贵的性质。鉴于许多最终决定OPV设备性能的复杂关系和过程，机器学习的潜力（ML）加速了OPV材料和设备的开发，这是一个诱人的承诺。20 - 22其他人基于人类的直觉就分子亚结构产生了一式式编码。ML技术可以使科学家能够快速筛选供体（D）和受体（A）材料的潜在组合，或建议给定材料组合的最合适的设备制造参数。使用ML预测OPV设备的PCE的先前效果仅专注于供体和受体材料。值得注意的是，哈佛清洁能源项目10 - 12和其他13 - 19使用了DFT计算的分子描述符来预测PCE。最近，一种类似的方法已将遗传算法纳入了设计，以设计高性能的非富烯受体（NFA）设备。23
使用Senna Surattensis提取物的ZnO-TIO2/RGO纳米复合材料的绿色合成：一种增强抗癌功效和生物相容性的新方法
主要关键词
相关文件推荐
