Temperature-Driven Sequential Modeling for the Prediction of Annual Power Conversion Efficiency Profiles of Organic Photovoltaic Materials: Douala Case Study
Cet article introduit un cadre de calcul natif pour le climat qui combine la dynamique moléculaire, les réseaux de neurones graphiques équivariants et l'apprentissage profond séquentiel pour prédire les profils d'efficacité de conversion de puissance des matériaux photovoltaïques organiques en fonction de la température annuelle dans les régions tropicales, démontrant que la modélisation de la dynamique conformationnelle thermique surpasse de manière significative les évaluations d'efficacité statiques pour identifier les candidats appropriés pour un déploiement en conditions réelles.