An integrated high-throughput screening framework for perovskite light-emitting diode passivators based on machine learning
Source abstract
Abstract
An integrated ML-based high-throughput framework enables efficient passivator screening.
Only a short abstract or summary was supplied by the source.
Source: crossref · Quality: short
Research context
OpenAlex topics: Perovskite Materials and Applications · Machine Learning in Materials Science · Explainable Artificial Intelligence (XAI)
SciVX discovery tags are terminology-based. OpenAlex topics are source-provided classifications.
Affiliations
Siyuan Laboratory, Guangdong Provincial Engineering Technology Research Centre of Vacuum Coating Technologies and New Energy Materials, College of Physics & Optoelectronic Engineering, Department of Physics, Jinan University, Guangzhou 510632, China
Funding
National Natural Science Foundation of China · Natural Science Foundation of Guangdong Province
References (62)
Show source-provided references
1. Kojima · J. Am. Chem. Soc. · 2009 · 131 · 605010.1021/ja809598r ↗
2. Tan · Nat. Nanotechnol. · 2014 · 9 · 68710.1038/nnano.2014.149 ↗
3. Wei · Nat. Photonics · 2016 · 10 · 33310.1038/nphoton.2016.41 ↗
4. Kim · Nature · 2022 · 611 · 68810.1038/s41586-022-05304-w ↗
5. Liu · Adv. Mater. · 2021 · 33 · 210326810.1002/adma.202103268 ↗
6. Senanayak · Nat. Mater. · 2023 · 22 · 21610.1038/s41563-022-01448-2 ↗
7. Lin · Nature · 2018 · 562 · 24510.1038/s41586-018-0575-3 ↗
8. D’innocenzo · Nat. Commun. · 2014 · 5 · 358610.1038/ncomms4586 ↗
9. Sutherland · Nat. Photonics · 2016 · 10 · 29510.1038/nphoton.2016.62 ↗
10. Chen · Nat. Photonics · 2023 · 17 · 40110.1038/s41566-023-01167-3 ↗
11. Yang · Nano Lett. · 2020 · 21 · 2610.1021/acs.nanolett.0c03939 ↗
12. Yang · Macromol. Res. · 2021 · 29 · 39110.1007/s13233-021-9055-y ↗
13. Luo · Nat. Rev. Mater. · 2024 · 9 · 28210.1038/s41578-024-00651-8 ↗
14. Ding · Nat. Photonics · 2024 · 18 · 36310.1038/s41566-023-01372-0 ↗
15. Ye · Angew. Chem. · 2021 · 133 · 2180410.1002/ange.202102360 ↗
16. Correa-Baena · Adv. Mater. · 2016 · 28 · 503110.1002/adma.201600624 ↗
17. Lee · Adv. Opt. Mater. · 2022 · 10 · 210136110.1002/adom.202101361 ↗
18. Yan · Chem. Eng. J. · 2021 · 414 · 12877410.1016/j.cej.2021.128774 ↗
19. Zhou · Science · 2014 · 345 · 54210.1126/science.1254050 ↗
20. Lewis · J. Franklin Inst. · 1938 · 226 · 29310.1016/S0016-0032(38)91691-6 ↗
21. Lee · Acc. Chem. Res. · 2016 · 49 · 31110.1021/acs.accounts.5b00440 ↗
22. Yang · Nat. Commun. · 2018 · 9 · 57010.1038/s41467-018-02978-7 ↗
23. Kong · Nature · 2024 · 631 · 7310.1038/s41586-024-07531-9 ↗
24. Sun · Adv. Mater. · 2024 · 36 · 240042110.1002/adma.202400421 ↗
25. Gao · Sci. Adv. · 2024 · 10 · eado564510.1126/sciadv.ado5645 ↗
26. Tao · npj Comput. Mater. · 2021 · 7 · 2310.1038/s41524-021-00495-8 ↗
27. Schmidt · Chem. Mater. · 2017 · 29 · 509010.1021/acs.chemmater.7b00156 ↗
28. Zhi · ACS Energy Lett. · 2023 · 8 · 142410.1021/acsenergylett.2c02818 ↗
29. Wu · Chem. Eng. J. · 2024 · 499 · 15639110.1016/j.cej.2024.156391 ↗
30. Xu · J. Phys. Chem. Lett. · 2018 · 9 · 694810.1021/acs.jpclett.8b03232 ↗
31. Hu · Commun. Mater. · 2024 · 5 · 10610.1038/s43246-024-00545-w ↗
32. Ji · Nat. Mach. Intell. · 2023 · 5 · 122510.1038/s42256-023-00736-z ↗
33. Chen · Nano Lett. · 2023 · 23 · 573810.1021/acs.nanolett.3c01491 ↗
34. Zhang · Angew. Chem., Int. Ed. · 2022 · 61 · e20220933710.1002/anie.202209337 ↗
35. Kim · Nucleic Acids Res. · 2023 · 51 · D137310.1093/nar/gkac956 ↗
36. RDKit: Open-source cheminformatics , https://www.rdkit.org
37. S. M. Lundberg and S.-I. Lee, A Unified Approach to Interpreting Model Predictions, arXiv , 2017, preprint, arXiv:1705.07874 10.48550/arXiv.1705.0787410.48550/arXiv.1705.07874 ↗
38. Liu · Natl. Sci. Rev. · 2023 · 10 · nwad12510.1093/nsr/nwad125 ↗
39. Liu · Mater. Sci. Eng., R · 2025 · 166 · 10105010.1016/j.mser.2025.101050 ↗
40. Liu · J. Materiomics · 2025 · 10106610.1016/j.jmat.2025.101066 ↗
41. Brownlee · Mach. Learn. Mastery · 2019 · 10 · 1
42. Liu · J. Power Sources · 2022 · 545 · 23194610.1016/j.jpowsour.2022.231946 ↗
43. Liu · Sci. China: Technol. Sci. · 2023 · 66 · 181510.1007/s11431-022-2283-7 ↗
44. Liu · Comput. Mater. Sci. · 2017 · 140 · 31510.1016/j.commatsci.2017.09.008 ↗
45. Liu · Acta Mater. · 2020 · 195 · 45410.1016/j.actamat.2020.05.001 ↗
46. Liu · Adv. Funct. Mater. · 2025 · 242162110.1002/adfm.202421621 ↗
47. Y.Liu , B.Guo , X.Zou , Y.Li and S.Shi
48. Liu · Adv. Theory Simul. · 2020 · 3 · 190021510.1002/adts.201900215 ↗
49. Liu · Sci. Bull. · 2023 · 68 · 125910.1016/j.scib.2023.05.017 ↗
50. Liu · Acta Mater. · 2022 · 238 · 11819510.1016/j.actamat.2022.118195 ↗
51. K.Pearson , On the general theory of skew correlation and non-linear regression , Dulau and Company , 1905
52. Ye · Comput. Mater. Sci. · 2023 · 223 · 11214010.1016/j.commatsci.2023.112140 ↗
53. Pedregosa · J. Mach. Learn. Res. · 2011 · 12 · 2825
54. T.Chen and C.Guestrin , XGBoost: A scalable tree boosting system , arXiv , 2016 , preprint, arXiv:1603.02754 10.48550/arXiv.1603.0275410.48550/arXiv.1603.02754 ↗
55. A. V.Dorogush , V.Ershov , A.Gulin , CatBoost: gradient boosting with categorical features support , arXiv , 2018 , preprint, arXiv:1810.11363 10.48550/arXiv.1810.1136310.48550/arXiv.1810.11363 ↗
56. Jiang · Sci. Adv. · 2024 · 10 · eadn568310.1126/sciadv.adn5683 ↗
57. Chu · Adv. Mater. · 2021 · 33 · 200716910.1002/adma.202007169 ↗
58. Zhang · Adv. Funct. Mater. · 2024 · 34 · 231452910.1002/adfm.202314529 ↗
59. Liu · J. Mater. Chem. A · 2022 · 10 · 1778210.1039/D2TA04788H ↗
60. Huang · J. Mater. Chem. C · 2023 · 11 · 960210.1039/D3TC01140B ↗
61. Perdew · Phys. Rev. B:Condens. Matter Mater. Phys. · 1986 · 33 · 882210.1103/PhysRevB.33.8822 ↗
62. Xu · Appl. Phys. Lett. · 2023 · 123 · 12210510.1063/5.0155074 ↗