Npj Comput. Mater.: 人工智能助力有机太阳能电池的高效筛选与设计
海归学者发起的公益学术平台
分享信息，整合资源
交流学术，偶尔风月
随着环境问题日益严重，人们对可持续能源技术的需求与日俱增。有机太阳能电池作为新兴的光伏技术，因其具有轻便、柔性、半透明等独特优势，在未来绿色能源领域的应用前景广阔。然而，在庞大的有机化合物空间寻找合适的分子材料，以实现高效光电转换，却是一项极具挑战性的任务。利用人工智能技术，有可能建立定量结构-性能关系（QSPR）模型，实现对有机太阳能电池材料的高效筛选与设计。但是否可行，值得进一步探索。
Fig. 1 The workflow of framework.
来自苏州大学功能纳米与软物质研究院的李有勇教授团队与袁建宇教授团队合作，通过机器学习实现了有机太阳能电池的高通量筛选。他们借助DFT计算充分挖掘有机分子的电子结构性质，利用大数据技术构建功能性材料数据库，从而为机器学习模型的训练提供了基础。通过对材料数据库的分析，研究者发现了有机太阳能电池材料电子结构性质与光电转换效率之间的关系。在此基础上，他们还用机器学习方法建立了QSPR模型，对新材料的光电转换效率可进行快速、准确地预测。
Fig. 2 The performance of the Efficiency Model.
作者利用一个包含高质量实验数据的小型数据集，训练了一个基于分子物理化学性质的光电转换效率（PCE）预测的集成学习模型。接着，他们利用一个包含大量分子结构和性质的数据集，训练了一个能够准确预测分子性质的SLI-GNN（自学习输入图神经网络）。通过这两个模型，设计了一个可以直接根据分子结构预测PCE的框架。该框架在高通量筛选中展示出了优异的性能和通用性，并通过实验结果进行了验证。通过结合深度学习和集成学习，实现了基于分子结构的PCE直接、快速和准确预测。
Fig. 3 Illustration of the graph convolution neural networks.
该方法不仅提高了有机光电材料筛选的效率，还降低了计算成本，为有光电器件的设计和优化提供了有力支持。这一新兴研发范式为新材料的发现、设计以及材料QSPR的探索提供了有力支持。未来，该方法有望在该领域取得更大突破，推动绿色能源技术的发展。
Fig. 6 The results of experimental verification
该文近期发表于npj Computational Materials 9: 200 (2023)。
https://www.nature.com/articles/s41524-023-01155-9
点击下方知社人才广场，查看最新学术招聘
扩展阅读
微信扫码关注该文公众号作者