Key points are not available for this paper at this time.
لقد أظهر الانكسار الأحادي إمكانيات لتحسين كفاءة تحويل الطاقة في خلايا الشمس، ولكن ندرة المواد الجزيئية المناسبة تعيق تطبيقه. نقدم خوارزمية جينية مُسيطر عليها حول عدم اليقين (ucGA) تستند إلى توقعات التعلم الآلي الجماعي من تمثيلات جزيئية مختلفة، والتي تعمل بشكل متزامن على تحسين طاقات الحالة المثارة، والقدرة على التركيب، وحجم الإثارة الأحادية لاكتشاف مواد الانكسار الأحادي. تتيح لنا خوارزمية ucGA استكشاف المساحة الكيميائية التي تغطيها قاعدة بيانات شظايا reFORMED، والتي تتكون من 45,000 نواة و5,000 بديل مستمد من الهياكل البلورية المجمعة في مستودع FORMED. يؤدي تشغيل ucGA في إعداد استغلالي إلى تحسين محلي على تنويعات من هياكل الانكسار الأحادي المعروفة، مثل الأسينات. في وضع استكشافي، يتم توليد مرشحين غير معروفين حتى الآن يظهرون خصائص ممتازة في الحالة المثارة للانكسار الأحادي. نقترح فئة من المركبات الميسوانية الغنية بالذرات غير المتجانسة كأصناف للتفريغ المدعوم للانكسار الأحادي. عند تضمينها في أنظمة مانح-مستقبل موحدة أكبر، تظهر هذه الوحدات تركيزاً قوياً للحالة الثلاثية، وشخصية ديراديكالويد مواتية، وطاقات ثلاثية مناسبة لحقن الإثارة في خلايا الشمس شبه الموصلة. حيث أن المرشحين المقترحين يتكونون من شظايا من جزيئات مصنوعة، فإنها من المحتمل أن تكون متاحة للتصنيع.
قام شوفلبرغر وزملاؤه (الأربعاء) بدراسة هذا السؤال.