近年來，受益于非富勒烯受體材料分子的設(shè)計與應(yīng)用，有機太陽能電池的能量轉(zhuǎn)換效率已經(jīng)超過了17%。從發(fā)表論文數(shù)據(jù)來看，超過百分之六十的研究論文主要致力于建立新的分子結(jié)構(gòu)與其光伏特性之間的關(guān)系。然而，這種傳統(tǒng)研究方法包括對化學(xué)合成、供體/受體材料匹配和器件制備進行精細(xì)控制及優(yōu)化，需要大量的資源投入和較長的研究周期。因此有機光伏材料的開發(fā)速度一直較慢，限制了有機光伏產(chǎn)業(yè)的實際商業(yè)應(yīng)用。

近日，武漢大學(xué)閔杰研究員課題組在開發(fā)高性能有機太陽能電池光伏體系的研究過程中，利用機器學(xué)習(xí)在合成新材料之前建立化學(xué)結(jié)構(gòu)、供體/受體匹配體系和光伏特性之間的關(guān)系，并對新材料結(jié)構(gòu)以及供體/受體材料配對進行效率預(yù)測，建立了分子結(jié)構(gòu)、供體/受體對與性能之間關(guān)系的多種可預(yù)測模型，可對供體、受體材料以及活性層供體/受體對進行快速的評估和篩選，并據(jù)此評估并確定了最優(yōu)算法模型來指導(dǎo)設(shè)計高性能的有機光伏材料體系。

他們的研究首先建立了一個包括已被文獻報道過的565組基于非富勒烯小分子受體材料和聚合物供體材料的供體/受體對數(shù)據(jù)庫，采用ASCII碼字符串的表達方式將供體/受體材料的化學(xué)結(jié)構(gòu)進行轉(zhuǎn)化成二進制機器語言，并與其相關(guān)光伏參數(shù)一起作為訓(xùn)練集和驗證集，分別采用線性回歸（LR）、多類邏輯回歸（MLR）、提升回歸樹（BRT）、人工神經(jīng)網(wǎng)絡(luò)(ANN)和隨機森林(RF)算法構(gòu)建機器學(xué)習(xí)模型，進一步建立“結(jié)構(gòu)-供體/受體對-性能”關(guān)系，從而實現(xiàn)活性層供體/受體光伏材料的快速篩選，并預(yù)測基于機器學(xué)習(xí)開發(fā)的新供體/受體對的光伏性能。 研究人員對五種典型的算法模型進行評估，對其預(yù)測結(jié)果進一步進行實驗驗證，從中評選出了適用于光伏材料供體/受體對的性能預(yù)測最優(yōu)算法模型。

他們發(fā)現(xiàn)，基于RF和BRT模型的預(yù)測結(jié)果與測試集中真實值的皮爾森相關(guān)系數(shù)（r）均超過了0.7，說明這兩種模型是進行這類機器學(xué)習(xí)的最佳表達方式。進一步，他們通過原有數(shù)據(jù)集并結(jié)合RF和BRT模型，分別篩選和計算出了3200萬個供體/受體對。為了驗證上述模型是否能夠準(zhǔn)備地指導(dǎo)設(shè)計新的有機光伏體系，研究人員從該數(shù)據(jù)庫中選出六組易于合成且具有高效率的供體/受體對，并進行了材料合成、制備與表征。研究結(jié)果表明，相較于BRT，RF機器學(xué)習(xí)模型預(yù)測的結(jié)果和實驗結(jié)果之間具有良好的一致性，從而驗證了RF模型的高通量虛擬篩選與預(yù)測能力，體現(xiàn)了機器學(xué)習(xí)方法的可靠性。

總而言之，相較于傳統(tǒng)上通過大量實驗來研發(fā)新材料以及試錯的辦法來篩選供體/受體對，通過機器學(xué)習(xí)模型，尤其是RF模型，可以快速、高通量地篩選有機光伏體系，將大大加快高性能有機光伏材料及其供體/受體對的探索過程，同時該工作也證明了機器學(xué)習(xí)方法在解決有機光伏材料問題方面強大的能力。

Machine learning for accelerating the discovery of high-performance donor/acceptor pairs in non-fullerene organic solar cells

Yao Wu, Jie Guo, Rui Sun & Jie Min

Integrating artificial intelligence (AI) and computer science together with current approaches in material synthesis and optimization will act as an effective approach for speeding up the discovery of high-performance photoactive materials in organic solar cells (OSCs). Yet, like model selection in statistics, the choice of appropriate machine learning (ML) algorithms plays a vital role in the process of new material discovery in databases. In this study, we constructed five common algorithms, and introduced 565 donor/acceptor (D/A) combinations as training data sets to evaluate the practicalities of these ML algorithms and their application potential when guiding material design and D/A pairs screening. Thus, the best predictive capabilities are provided by using the random forest (RF) and boosted regression trees (BRT) approaches beyond other ML algorithms in the data set. Furthermore, >32 million D/A pairs were screened and calculated by RF and BRT models, respectively. Among them, six photovoltaic D/A pairs are selected and synthesized to compare their predicted and experimental power conversion efficiencies. The outcome of ML and experiment verification demonstrates that the RF approach can be effectively applied to high-throughput virtual screening for opening new perspectives to design of materials and D/A pairs, thereby accelerating the development of OSCs.

原文標(biāo)題：npj: 有機太陽能電池供體-受體材料：快速篩選配對的 “紅娘”

文章出處：【微信公眾號：知社學(xué)術(shù)圈】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq