Temperature-Driven Sequential Modeling for the Prediction of Annual Power Conversion Efficiency Profiles of Organic Photovoltaic Materials: Douala Case Study
Este artículo presenta un marco computacional nativo del clima que combina la dinámica molecular, las redes neuronales gráficas equivariantes y el aprendizaje profundo secuencial para predecir los perfiles de eficiencia de conversión de potencia anual impulsados por la temperatura de materiales fotovoltaicos orgánicos en regiones tropicales, demostrando que el modelado de la dinámica conformacional térmica supera significamente a las evaluaciones de eficiencia estáticas para identificar candidatos adecuados para el despliegue en el mundo real.