基于卷积神经网络的有机太阳能电池供体和非富勒伦受体的高通量分子设计
Ling-Qiu Chen1, Cai-Rong Zhang1,2, Cui-Cui Sang1
1Department of Applied Physics, Lanzhou University of Technology, Lanzhou, Gansu 730050, China.
Journal of chemical information and modeling
|September 17, 2025
概括
深度学习模型,特别是卷积神经网络 (CNN),加速发现有机太阳能电池 (OSC) 的高性能捐赠和接受分子. 这种方法有效地产生和预测新材料,超越传统方法.
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:
- 开发高性能供体和受体分子对于提高有机太阳能电池 (OSC) 功率转换效率 (PCE) 是至关重要的.
- 对于新材料的发现,传统的实验方法往往是低效的,昂贵的,耗时的.
研究的目的:
- 开发和比较深度学习和传统的机器学习模型来预测OSC材料性能.
- 创建一个基于CNN的生成模型,用于为OSCs设计新型的供体和受体分子.
- 为了确定具有高预测PCE的有前途的捐赠者-接受者对.
主要方法:
- 训练并比较各种机器学习模型,包括卷积神经网络 (CNN),随机森林,额外树回归,梯度增强回归树和自适应增强.
- 开发了一个基于CNN的分子生成模型,结合了转移学习.
- 产生了大量的新型供体和受体分子数据集,并使用训练有素的CNN模型预测了它们的OSC性能.
主要成果:
- 与传统的机器学习模型相比,CNN模型在预测光伏性能方面表现优越.
- 产生了超过26万个供体和93万7000个受体分子,形成了数十亿个新的供体-受体对.
- 确定了12224对捐赠者-接受者对,预测PCE超过19%,最高预测PCE为19.20%.
结论:
- 拟议的CNN方法显著加速了对有机太阳能电池材料光伏性能的预测.
- 这种方法使得大量的OSC候选材料的成本效益产生成为可能,从而促进了快速的材料发现.
- 这项研究强调了深度学习在有机太阳能电池领域的发展方面的潜力.
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
9.4K
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
6.7K
