通过机器学习-DFT计算生成一个巨大的化学空间,用于高极表面积的trifenylamine聚合物,以协助光伏的逆向工程
Abrar U Hassan1, Mamduh J Aljaafreh2
1Lu, Nen Research Institute, 888 Zhangtai Road, Tangzhoo, 377599, China.
Journal of molecular graphics & modelling
|May 21, 2025
概括
机器学习预测高极表面积的trifenylamine聚合物用于高效的光伏设备. 这种方法可以加速发现具有增强溶解性,可加工性和有前途的性能指标的新材料.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 可再生能源可再生能源是可再生能源.
背景情况:
- 极地表面总面积 (TPSA) 对光伏 (PV) 材料的特性如溶解性和性能至关重要.
- 三烯胺 (TPA) 聚合物是光伏应用的有希望的候选者.
- 预测建模可以加速发现新的光伏材料.
研究的目的:
- 通过使用机器学习辅助的逆向工程,为光伏应用产生一个大型的高TPSA TPA聚合物的化学空间.
- 为了准确预测基于TPA的染色体的TPSA.
- 确定影响TPSA和PV性能的关键分子特征.
主要方法:
- 在543个TPA染色体的数据集上利用XGBoost和随机森林算法来预测TPSA.
- 采用沙普利添加剂解释 (SHAP) 进行特征重要性分析.
- 产生了1000种新的聚合物候选物,并评估了它们预测的光伏性能.
主要成果:
- 在TPSA预测中实现了高精度 (R2 = 0.93-0.96).
- 确定基组数量 (NOCount) 是最具影响力的特征.
- 产生了高达182 TPSA 的聚合物,并预测了出色的光伏性能指标 (例如,LHIE 54-79%,Voc 1.63-1.68 V).
结论:
- 机器学习驱动的逆向工程对于发现用于光伏应用的高TPSA的新型TPA聚合物是有效的.
- 产生的聚合物表现出有利的电荷转移特性和有前途的光伏性能.
- 这项研究为加速开发先进光伏材料提供了一条道路.
