Humboldt-Universität zu Berlin - Mathematisch-Naturwissenschaftliche Fakultät - Institut für Mathematik

MATH+ Projekt AA2-7

Sparse Deep Neuronal Networks for the Design of Solar Energy Materials

 

Das Design neuer Materialien für Solarzellen hängt immer noch stark von sehr zeitaufwändigen Material-Screenings ab. Ein simulationsbasierter Ansatz kann Verbindungen vom Perowskit-Typ in Bezug auf die thermodynamische Stabilität in der Formation und weiter Eigenschaften unter Verwendung der Dichtefunktionstheorie klassifizieren [1]. Alternativ kann die Beziehung zwischen Leistungsindikatoren anhand experimenteller Daten beurteilt werden [2]. Eine große Herausforderung für das zuverlässige und schnelle Design neuer Solarenergiematerialien ist die Tatsache, dass es für zahlreiche Materialien vom Perowskit-Typ immer noch signifikante Diskrepanzen zwischen den durch die Simulation vorhergesagten Verbindungseigenschaften und den experimentell erhaltenen Daten gibt. Dies motiviert die Entwicklung neuer mathematischer Techniken für verbesserte, strukturausnutzende Ansätze des Maschinellen Lernens Maschine für sogenannte deep neural networks im Rahmen dieses Projekts.

 

Projektpartner:

Thomas Kühne, Dynamics of Condensed Matter, Universität Paderborn

 

Aktuelles:

  • Postervorstellung zum Thema "Combining the ADMM and Active Signature Methods for the Training of Neural Networks with Nonsmooth Activation Functions" im COMinDS YoungResearchers' Seminar von Franz Bethke am 28. Mai 2021

 

Vergangenes:

  • Online Kickoff-Meeting aller PIs und Projektpartner im März 2021
  • Franz Bethke besuchte die AG von Thomas Kühne im August 2020

 

Literatur:

[1] R. Raghupathy, H. Wiebeler, T. Kühne, C. Felser, and H. Mirhosseini. Database screening of ternary chalcogenides for p-type transparent conductors. Chemistry of Materials, 30(19):6794–6800, 2018.

[2] E. Unger, L. Kegelmann, K. Suchan, D. Sörell, L. Korte, and S. Albrecht.  Roadmap and roadblocks for the band gap tunability of metal halide perovskites. Journal of Materials Chemistry A, 5:11401–11409, 2017.

 

bild_web.jpg