通过机器学习加速发现有机太阳能电池的聚合物捐赠者:从图书馆创建到性能预测
Mudassir Hussain Tahir1, Aftab Farrukh2, Faleh Zafer Alqahtany3
1Research Faculty of Agriculture, Field Science Center for Northern Biosphere, Hokkaido University, Sapporo, Hokkaido 060-8589, 060-0811, Japan.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|October 24, 2024
概括
机器学习模型预测有机太阳能电池的性能,识别有希望的聚合物捐赠者. 梯度增强模型确定了最佳候选者,有助于有效地发现可再生能源应用的材料.
科学领域:
- 材料科学 材料科学 材料科学
- 可再生能源可再生能源是可再生能源.
- 计算化学计算化学
背景情况:
- 有机太阳能电池 (OSC) 是可再生能源研究的一个关键领域.
- 开发新的聚合物供体对于提高OSC效率至关重要.
- 高昂的实验成本阻碍了新型高性能材料的发现.
研究的目的:
- 采用机器学习来预测聚合物捐赠者的功率转换效率 (PCE).
- 确定有机太阳能电池的有希望的聚合物供体候选人.
- 评估已识别的聚合物捐赠者的合成可访问性和相似性.
主要方法:
- 使用Mordred描述符用于机器学习模型训练.
- 评估了四种不同的机器学习模型,包括一个梯度增强回归器.
- 生成并分析了聚合物捐赠者的化学库.
- 对精选的高绩效捐赠者进行了相似性分析.
主要成果:
- 梯度增强回归器在预测PCE方面表现最好.
- 确定了30个具有最高预测PCE的聚合物捐赠者.
- 评估了高性能聚合物捐赠者的合成可访问性.
- 类似性分析显示,所选捐赠者之间存在显著的结构相似性.
结论:
- 机器学习,特别是梯度增强,可以有效地加速为OSCs发现高性能聚合物供体.
- 该研究提供了一种以计算为指导的方法,以降低材料开发中的实验成本.
- 选择的聚合物捐赠者显示了未来有机光伏研究和开发的潜力.
更多相关视频
09:32Well-aligned Vertically Oriented ZnO Nanorod Arrays and their Application in Inverted Small Molecule Solar Cells
Published on: April 25, 2018
8.6K
06:49In situ Grazing Incidence Small Angle X-ray Scattering on Roll-To-Roll Coating of Organic Solar Cells with Laboratory X-ray Instrumentation
Published on: March 2, 2021
6.2K
