Un proceso de aprendizaje automático-gaussiano de selección de donantes basados en carbazolos para diseñar polímeros...

Área de la Ciencia:

• Ciencias de los materiales
• Energía renovable
• Química computacional

Sus antecedentes:

• La industrialización impulsa la dependencia de los combustibles fósiles, lo que amenaza los recursos naturales y el medio ambiente.
• El desarrollo de materiales fotovoltaicos orgánicos (OPV) eficientes es crucial para las soluciones energéticas sostenibles.
• Los derivados del carbazol se muestran prometedores como materiales donantes en los OPV.

Objetivo del estudio:

• Emplear un enfoque asistido por aprendizaje automático (AM) para identificar materiales donantes óptimos basados en carbazolos.
• Mejorar la eficiencia de los fotovoltaicos orgánicos (OPV) aumentando su voltaje de circuito abierto (V_oc).
• Acelerar el descubrimiento y diseño de nuevos materiales solares orgánicos.

Principales métodos:

• Curó un extenso conjunto de datos de 592 compuestos orgánicos derivados de carbazolos de la literatura.
• Utilizó ML para calcular y analizar el voltaje de circuito abierto (V_oc) de estos compuestos.
• Se han identificado materiales donantes de alto rendimiento basados en valores altos de V_oc.

Principales resultados:

• Se ha identificado con éxito materiales donantes óptimos a base de carbazol con un V_oc alto.
• Diseño de nuevos polímeros basados en TIC utilizando los donantes identificados.
• Demostró una mejora notable en V_oc para los dispositivos fotovoltaicos resultantes.

Conclusiones:

• El aprendizaje automático acelera significativamente el descubrimiento y la optimización de materiales solares orgánicos.
• El enfoque desarrollado allana el camino hacia tecnologías fotovoltaicas más sostenibles y eficaces.
• Los materiales a base de carbazolos son candidatos prometedores para los VPO de alto rendimiento.