|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | Machine learning for perovskite materials design and discovery显示文摘The development of materials is one of the driving forces to accelerate modern scientific progress and technological innovation.Machine learning(ML)technology is rapidly developed in many fields and opening blueprints for the discovery and rational design of materials.In this review,we retrospected the latest applications of ML in assisting perovskites discovery.First,the development tendency of ML in perovskite materials publications in recent years was organized and analyzed.Second,the workflow of ML in perovskites discovery was introduced.Then the applications of ML in various properties of inorganic perovskites,hybrid organic–inorganic perovskites and double perovskites were briefly reviewed.In the end,we put forward suggestions on the future development prospects of ML in the field of perovskite materials. | Qiuling Tao Pengcheng Xu Minjie Li Wencong Lu | 2021 | npj Computational Materials2021，，1： | 4 |
| 2 | 基于机器学习的电化学能源电池宏微观设计显示文摘能源储存系统是电动汽车、电子设备等高新技术的重要基础。近年来基于机器学习的电池设计能够快速连结材料微观结构-材料微观性能-电池宏观性能的复杂关系,成为了热点研究。本文从能源电池的微观材料设计和宏观状态预测两方面系统性地综述了电池设计中机器学习的应用现状和前景,概括综述了机器学习电池设计的研究数据来源、算法的优缺点及其在电池领域的应用场景以及近年来的相关创新性工作及其展望,以期为机器学习在能源储存系统的宏微观设计提供了参考。 | 李金金 蔡俊飞 韩彦强 汪志龙 陈安 叶思敏 | 2023 | 硅酸盐学报2023，51，2： | 0 |
| 3 | Plasmonic-perovskite solar cells,light emitters,and sensors显示文摘The field of plasmonics explores the interaction between light and metallic micro/nanostructures and films.The collective oscillation of free electrons on metallic surfaces enables subwavelength optical confinement and enhanced light-matter interactions.In optoelectronics,perovskite materials are particularly attractive due to their excellent absorption,emission,and carrier transport properties,which lead to the improved performance of solar cells,lightemitting diodes(LEDs),lasers,photodetectors,and sensors.When perovskite materials are coupled with plasmonic structures,the device performance significantly improves owing to strong near-field and far-field optical enhancements,as well as the plasmoelectric effect.Here,we review recent theoretical and experimental works on plasmonic perovskite solar cells,light emitters,and sensors.The underlying physical mechanisms,design routes,device performances,and optimization strategies are summarized.This review also lays out challenges and future directions for the plasmonic perovskite research field toward next-generation optoelectronic technologies. | Bin Ai Ziwei Fan Zi Jing Wong | 2022 | Microsystems & Nanoengineering2022，8，1： | 0 |
| 4 | 人工神经网络加速计算材料科学的研究进展显示文摘计算模拟为材料科学带来了第一次计算革命,虽然计算模拟方法可以在不需要实验合成的情况下获得材料的一些关键性能,但大多数计算方法只针对于特定的系统,计算和时间成本很高,并且需要较高的专业基础.作为人工智能的分支之一,人工神经网络算法的应用极大地加速了新材料的发现,可以比计算模拟方法快上一个甚至几个数量级.人工神经网络现已被应用于各种材料性质的预测、高分辨率显微镜图像和衍射图的识别,甚至被嵌入到密度泛函计算中,以代替Kohn-Sham方程,从而缩短计算时间.本文讨论了近5年人工神经网络在材料性质预测方面的不同方法、针对显微镜图像和衍射图的微观结构识别方法以及加快DFT计算的技术特点. | 赵瑞 石竞琛 刘霏凝 王文杰 | 2023 | 吉林师范大学学报(自然科学版)2023，44，1： | 0 |
| 5 | 机器学习在高熵电催化材料中的研究进展显示文摘高熵材料(high-entropy material,HEM)是一类具有良好性能的新型材料,以其较好的催化潜力、耐腐蚀性能等特点受到广泛关注.传统的高熵催化剂研究大多局限于各自的知识体系,难以兼容合并,不利于更优异的催化剂的后续研发.机器学习(machine learning,ML)作为一种基于大数据集来建立数理模型、进行研究推理的新兴学科,正逐步成为人们重点关注的人工智能科学分支.通过机器学习建立大数据库可以有效改善传统的研究状况,使研究效率大为提高.机器学习能用于识别定量的组分-结构-性能关系,通过从历史数据中学习而无需通过显式编程来加速电催化剂的设计.对机器学习算法、高熵材料进行了介绍,并阐述了机器学习在设计高熵电催化剂中的应用,讨论了机器学习在高熵电催化剂筛选和预测方面的发展前景. | 宗宇杨 李俊辉 朱向东 单光存 马汝广 | 2023 | 上海大学学报(自然科学版)2023，29，5： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员