利用材料信息学探索聚合物太阳能电池的新聚合物。(上)由电子供体、电子受体和烷基链组成的聚合物结构的例子。(中)随机森林法分类。(下)材料信息学、实践实验与人类智能的协同结合。
信贷:大阪大学
在转向可再生经济的过程中，太阳能电池将发挥关键作用。有机光伏(OPVs)是一种很有前途的太阳能电池，基于一种吸光有机分子和一种半导体聚合物。
OPVs由廉价、轻质的材料制成，安全可靠，易于生产。然而，它们的能量转换效率(PCEs)——将光转化为电能的能力——仍然太低，无法实现全面的商业化。
PCE既依赖于有机层，也依赖于聚合物层。传统上，化学家通过反复试验来试验这些物质的不同组合，从而浪费了大量的时间和精力。
现在，大阪大学的一个研究小组已经使用计算机来自动搜索匹配良好的太阳能材料。在未来，这可能会导致更高效的设备。这项研究发表在《物理化学快报》杂志上。
“聚合物的选择会影响一些特性，比如直接决定PCE的短路电流，”第一作者长川信司解释道。然而，要设计出性能更好的聚合物并不是一件容易的事情。传统的化学知识是不够的。相反，我们使用人工智能来指导设计过程。
信息学可以通过探测人类专家无法察觉的统计趋势，从而对庞大而复杂的数据集有意义。研究小组从大约500个研究中收集了1200个opv的数据。利用随机森林机器学习，他们建立了一个模型，结合了这些前OPVs的带隙、分子量和化学结构，以及它们的PCE，来预测潜在的新设备的效率。
Random Forest揭示了在OPVs中材料性能与其实际性能之间的改进相关性。为了利用这一点，该模型被用于自动“筛选”预期聚合物的理论PCE，然后根据实践中可合成物的化学直觉，削减了顶级候选聚合物的名单。
这一策略促使该团队开发出了一种新的、此前未经测试的聚合物。在这种情况下，基于第一次尝试的实用OPV比预期的效率低。然而，该模型对结构-属性关系提供了有用的见解。它的预测可以通过包括更多的数据来改进，比如聚合物在水中的溶解度，或者它们骨架的规律性。
“机器学习可以极大地加速太阳能电池的发展，因为它可以瞬间预测出在实验室需要几个月的结果，”合著者Akinori Saeki说。“这并不是对人类因素的直接替代，但它可以为分子设计师选择探索哪条路径提供关键支持。”
——文章发布于2018年5月29日
