Angew. Chem. ：单/三线态能级差——预测有机光伏效率的关键分子描述符

得益于给受体材料的不断设计与合成，有机光伏电池（OPV）的能量转换效率（PCE）得到迅猛提升，目前已经突破18%。为了继续追赶无机和钙钛矿光伏电池，仍需发掘出与器件性能参数最为相关的分子描述符，实现高效OPV材料的理性设计与高通量筛选。然而，OPV的电荷产生和能量损失过程极为复杂，尤其是自旋三线态还参与，使得理论预测PCE面临极大挑战。必须指出的是，目前具有高预测精度的机器学习模型（r ~ 0.8）往往需要十几甚至几十个分子描述符，难以有效指导分子优化和进行分子筛选。

近日，中国科学院化学研究所易院平研究员团队在前期研究工作的基础上（Adv. Mater. 2020, 32, 2000975; Acc. Chem. Res. 2022, 55, 869），即考虑到最小化单/三线态能级差（ΔE_ST）有利于同时降低电压损失和三线态复合，提出将ΔEST作为预测PCE的关键分子描述符。结合数据库的可靠构建和机器学习证实，相比于光学带隙（E_g）和前线轨道能级差（ΔE_DA）等常用分子描述符，ΔE_ST与PCE具有更强的相关性，而且同时采用这三个描述符后，机器学习获得当前最好的预测精度（r = 0.81）。

为了保证器件结果的可靠性和最小化形貌的影响，作者主要从10个重要期刊中选取OPV器件，而且其PCE必须大于4%；进一步将理论计算与实验吸收光谱、电化学测量相结合，获得给受体材料固态的E_g、ΔE_DA、ΔE_ST ，合理构建数据库。线性相关性分析表明，虽然ΔE_ST与短路电流密度（J_SC）（负的）相关性不如E_g，但与PCE的相关性却更高。这归功于ΔE_ST与填充因子（FF）具有更强相关性，而ΔE_DA与J_SC负的相关性则说明最小化ΔE_DA对电荷产生影响很小。

机器学习结果表明，仅简单地采用这三个描述符就可以实现对开路电压（V_OC）、J_SC以及PCE的可靠预测。不出所料，对J_SC高的预测精度主要取决于E_g。另外，ΔE_ST不仅对预测FF起到重要作用，而且对预测V_OC的重要性也不可忽略，这是因为三线态复合还会导致非辐射电压损失。引人瞩目的是，ΔE_ST对预测PCE的重要性远高于E_g和ΔE_DA，证实了ΔE_ST是决定PCE的关键分子参数。值得指出的是，不论是增强分子内电荷转移，还是分子间端基π-π堆积，E_g和ΔE_ST都同时减小。因此，ΔE_ST还与光吸收强度、E_g和电荷产生存在间接的关联，进而提高了ΔE_ST对J_SC和PCE的预测精度。

论文信息

Singlet-Triplet Energy Gap as a Critical Molecular Descriptor for Predicting Organic Photovoltaic Efficiency

Dr. Guangchao Han, Prof. Yuanping Yi

文章的第一作者是易院平团队的韩广超副研究员

Angewandte Chemie International Edition

DOI: 10.1002/anie.202213953

点击左下角 “ 阅读原文 ” ，可直达阅读该论文原文。

Angewandte Chemie International Edition

《德国应用化学》(Angewandte Chemie)创刊于1888年，是德国化学学会（GDCh）的官方期刊并由Wiley–VCH出版。作为化学领域的权威期刊，《德国应用化学》涵盖了化学研究的各个领域，刊发包括新闻、综述、观点、通讯、研究论文等在内的各种内容。

更多精选文章