通过机器学习提供从二进制到三进制聚合物太阳能电池的光伏性能增强关系

科学领域:

• 材料科学 材料科学 材料科学
• 有机电子 有机电子
• 计算化学计算化学

背景情况:

• 三级聚合物太阳能电池 (PSC) 提供了一条简单的途径来提高设备的性能.
• 建立结构-属性关系对于设计高性能有机光伏材料至关重要.
• 预测建模可以加速材料发现和设备优化.

研究的目的:

• 开发机器学习 (ML) 模型,用于预测三级PSC的性能提升.
• 确定影响功率转换效率 (PCE) 的关键分子结构特征.
• 通过实验制造来验证ML模型预测.

主要方法:

• 从文献中编制了874个实验PSC的数据库.
• 探索了分子结构指纹 (2D原子对) 作为ML模型的输入特征.
• 训练了五个监督的ML模型,包括渐变增强决策树 (GBDT),将结构映射到PCE.
• 选了18个关键结构特征,这些特征影响了非富勒林受体和三元组件中的PCE.

主要成果:

• 较长的二维原子对指纹改善了模型的准确性.
• GBDT 模型表现出卓越的预测能力和概括性.
• 确定了特定的结构特征 (例如,烯,素,氧原子),这些特征增强了PCE,主要是通过增加短路电流 (Jsc) 或填充因子 (FF).
• 实验验证显示PM6:BTP-eC9:PY-IT三元PSC的预测 (18.03%) 和实际 (17.78%) PCE之间存在很高的一致性,相对误差很低 (1.41%).

结论:

• 机器学习是预测和优化PSC性能的一个有价值的工具.
• 开发的ML模型可以加速发现和应用高效的非富勒烯材料用于有机光伏.
• 这种方法显著减少了材料选和设备设计中的实验负担.