Temperature-Driven Sequential Modeling for the Prediction of Annual Power Conversion Efficiency Profiles of Organic Photovoltaic Materials: Douala Case Study
Dieses Paper führt ein klimat natives computergestütztes Framework ein, das Molekulardynamik, äquivariante Graph-neuronale Netze und sequenzielles Deep Learning kombiniert, um die jährlichen, durch Temperatur getriebenen Profile der Energieumwandlungseffizienz organischer Photovoltaikmaterialien in tropischen Regionen vorherzusagen, wobei demonstriert wird, dass die Modellierung thermischer Konformationsdynamiken statische Effizienzbewertungen bei der Identifizierung geeigneter Kandidaten für den realen Einsatz signifikant übertrifft.