重庆大学孙宽课题组《Adv. Sci.》：机器学习及量子化学辅助高性能非富勒烯受体开发

点击蓝字关注我们

伴随着新型非富勒烯受体材料的发展，有机光伏（OPV）电池的效率节节攀升，如今已超过18%。然而，传统的OPV材料开发方法基于试错法，这意味着大量时间、资源的消耗，不能满足高性能新材料的发展需要。通过将机器学习引入有机太阳能电池领域，利用现有数据建立材料结构-器件性能间的关系，可以为高性能OPV材料设计提供指导，加速新材料开发。
近日，重庆大学能动学院柔性可再生能源材料与器件课题组在《Advanced Science》期刊上发表了题为“High-Efficiency Non-Fullerene Acceptors Developed by Machine Learning and Quantum Chemistry”的研究论文（DOI：10.1002/advs.202104742）。作者首先从文献中收集建立了以Y6类非富勒烯为受体的有机太阳能电池数据库。通过将受体分子划分成片段并转换成特殊的独热编码作为机器学习的输入，基于随机森林算法的机器学习模型展现出较好的预测性能。作者利用训练后的机器学习模型在具有1296种可能性的给受体对中筛选，得到25个给受体对其预测效率超过17%，其中包括22个全新的Y6衍生物受体分子。通过分析机器学习模型的预测结果，作者发现具有中等长度侧链的受体分子通常被预测为具有高性能；通过量子化学计算研究5种不同端基受体单元对受体材料的影响，作者进一步发现其主要通过影响受体分子的前线分子轨道能级以及分子表面静电势的分布来影响有机太阳电池的光电转换性能。此项工作筛选出了一系列具有高潜力的非富勒烯受体材料，并为高性能Y6衍生物侧链、端基的设计提供了指导。该方法有望被扩展应用到其他材料体系以促进新材料的发展。 
图1. (a) 数据库中OPV器件PCE分布；(b) 受体分子分割方法；(c) 机器学习模型评估；(d) 虚拟数据库中OPV器件预测PCE分布。表1. 受体分子的编码方法示例。 
 
图2. 典型侧链的结构。 
图3. 具有不同端基的5个预测效率超过17%的受体分子。 
图4. 通过量子化学计算的5个分子的性质。(a) 前线分子轨道能级；(b)电离能与电子亲和能；(c) 电子-空穴对结合能；(d) 单线态-三线态能隙。 
图5. (a) (b) 分子表面静电势；(c) 分子表面静电势统计分布；(d) 分子表面平均静电势。 论文的第一作者是重庆大学能源与动力工程学院硕士生张起，论文通讯作者为重庆大学能源与动力工程学院郑玉杰博士和孙宽教授。重庆大学能源与动力工程学院为论文第一完成单位，该研究得到国家自然科学基金、重庆市留创计划项目的资助支持。 

作者简介

向上滑动阅览

重庆大学柔性可再生能源材料与器件课题组成立于2019年，依托单位为重庆大学能源与动力工程学院，所属学院的低品位能源利用技术及系统教育部重点实验室。与新加坡国立大学材料学院合作于2018年成立重庆大学-新加坡国立大学新能源材料与器件联合实验室。拥有一支由教授、副教授、讲师、工程师、博士生和硕士生组成的三十多人研究团队。近年来对于光伏、热电、导电高分子、光热转换、柔性储能的材料开发、器件制备及理论计算等方面做了大量研究工作，并取得了突出的研究成果。

课题组网站：https://www.x-mol.com/groups/LaFREMD

原文链接

Zhang, Q., Zheng, Y. J., Sun, W., Ou, Z., Odunmbaku, O., Li, M., Chen, S., Zhou, Y., Li, J., Qin, B., Sun, K., High-Efficiency Non-Fullerene Acceptors Developed by Machine Learning and Quantum Chemistry. Adv. Sci. 2022, 2104742.https://doi.org/10.1002/advs.202104742

相关进展

化学与材料科学原创文章。欢迎个人转发和分享，刊物或媒体如需转载，请联系邮箱：[e-mail]

扫二维码｜关注我们

微信号 : Chem-MSE

诚邀投稿

欢迎专家学者提供化学化工、材料科学与工程产学研方面的稿件至[e-mail]，并请注明详细联系信息。化学与材料科学®会及时选用推送。