不对称的A-DA'D-A接受器的机器学习引导的高通量设计,以实现高效的有机太阳能电池
Ziye Chen1, Kuo Wang2, Di Huang1
1Hunan University of Technology, Zhuzhou 412008, China. dihuang@hut.edu.cn.
Materials horizons
|January 22, 2026
概括
机器学习加速了对有机太阳能电池 (OSC) 新型非富勒林受体 (NFAs) 的发现. 这种数据驱动的方法可以识别高性能不对称的NFA,超越了传统的高效功率转换方法.
科学领域:
- 材料科学 材料科学 材料科学
- 有机电子 有机电子
- 计算化学的计算化学
背景情况:
- 非富勒受体 (NFAs) 对于有机太阳能电池 (OSC) 的高功率转换效率 (PCE) 是至关重要的.
- 从众多候选物种中确定最佳的NFA分子结构是一个重大挑战.
- 不对称的NFA设计显示出提高OSC性能的巨大潜力.
研究的目的:
- 开发一种机器学习 (ML) 引导的高通量选方法,用于识别 NFA 中的最佳受体部分.
- 为了探索对称和不对称的A-DA'D-A型NFAs.
- 在NFA分子工程中,从经验方法过渡到数据驱动方法.
主要方法:
- 标准化和NFA结构的一次性编码,以创建特征向量.
- 开发一个可靠的XGBoost模型来预测结构-活动关系.
- 高通量虚拟选超过一百万个生成的分子与量子化学计算相结合.
主要成果:
- 通过可解释性分析确定了太阳能电池性能的关键分子贡献者 (终端组,联支架,中心核).
- 选的分子与PM6供体聚合物匹配,预测PCE大于18%.
- 量子化学计算验证了12个不对称的NFAs (K01-K12),预测PCE超过19%,显示出有希望的能量水平和电荷转移特性.
结论:
- 基于ML的方法有效地识别了高性能不对称的NFAs,从而推进了分子工程.
- 经过验证的NFA证明了良好的合成可访问性和适用于多个捐赠系统.
- 这项工作有助于在有机太阳能电池研究中转向数据驱动设计.
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
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
