通过深度学习辅助设计用于有机光伏材料的新型捐赠者-接受者组合,以提高效率
Shizhao Zhang1, Shuixing Li2, Siqin Song1
1Shanghai Key Laboratory of Advanced Polymeric Materials, Key Laboratory for Ultrafine Materials of Ministry of Education, Frontiers Science Center for Materiobiology and Dynamic Chemistry, School of Materials Science and Engineering, East China University of Science and Technology, Shanghai, 200237, China.
Advanced materials (Deerfield Beach, Fla.)
|December 9, 2024
概括
深度学习框架加速了新型有机光伏 (OPV) 材料的发现. 这种方法大大减少了与开发高效有机太阳能电池相关的时间和成本.
科学领域:
- 材料科学 材料科学 材料科学
- 有机电子 有机电子
- 计算化学的计算化学
背景情况:
- 有机光伏 (OPV) 为可再生能源发电提供了一个有希望的途径.
- 优化OPV性能严重依赖于设计有效的捐赠者 (D) 和接受者 (A) 材料.
- 目前用于发现新的D-A组合的方法通常是低效的,涉及广泛的试错过程.
研究的目的:
- 开发一个深度学习 (DL) 辅助的框架,以加快高性能OPV材料的设计和发现.
- 创建一个强大的方法,以数字表示DA结构和预测其性能.
- 识别具有优越功率转换效率 (PCE) 的新型DA组合.
主要方法:
- 开发一种"聚合物指纹"方法,用于D和A结构的数字表示.
- 建立一个全面的OPV材料数据库.
- 端到端图神经网络 (GNN) 建模的应用,用于预测OPV性能.
- 产生和选大约有60万个虚拟D-A组合.
主要成果:
- 建立高精度DL模型,预测准确度超过93%.
- 识别了许多具有预测高效率的新型D-A组合.
- 对选组合 (D18:BTP-S11) 的实验验证,在单节有机太阳能电池中达到超过19.3%的PCE.
- 通过结构基因分析推导设计规则,以指导未来的材料探索.
结论:
- 开发的DL辅助框架显著加快了OPV材料的设计过程.
- 这种方法可以发现具有超高效率的D-A组合,从而导致财产突破.
- 该方法提供了有价值的见解和设计规则,用于推进有机光伏技术.
更多相关视频
08:29Morphology Control for Fully Printable Organic–Inorganic Bulk-heterojunction Solar Cells Based on a Ti-alkoxide and Semiconducting Polymer
Published on: January 10, 2017
9.1K
11:44Using Cyclic Voltammetry, UV-Vis-NIR, and EPR Spectroelectrochemistry to Analyze Organic Compounds
Published on: October 18, 2018
26.4K
