Nano Select:机器学习与高通量筛选助力有机太阳能电池的分子设计与性能提升

化石能源储量有限、难以再生,开发新能源成了迫在眉睫的问题。太阳能作为一种清洁、可持续的能源,越来越受到人们的重视,其中太阳能电池可以直接将太阳光能转换为方便存储和运输的电能,能够有效解决目前燃料电池对化石能源依赖的问题。有机太阳能电池由于其原材料储备充足、结构易于调节、能量转换速率较快,具有良好的应用前景。尽管在研究者们的努力下,有机太阳能电池的光电转化效率不断取得突破,但是与硅太阳能电池的高转换效率(20%以上)相比仍显不足。所以如何提高其光电转化效率是目前亟待解决的问题。

对有机太阳能电池的供体和受体分子进行设计和优化是提高其电池性能的关键,然而,有机分子的种类繁多,造成实验合成和理论计算对分子的筛选效率较低、新分子的开发周期较长。机器学习和高通量筛选能够从复杂的化学结构中提取出有效的信息,构建出结构、性质和最终效率三者之间的关系,从而加速分子的筛选和设计,并最终合成出高性能的分子,提升太阳能电池电极材料的研发效率。

苏州大学功能纳米与软物质研究院李有勇课题组最近在Nano Select上发表了题为“Molecular Design and Performance Improvement in Organic Solar Cells Guided by High-Throughput Screening and Machine Learning”(DOI: 10.1002/nano.202100006)的综述文章。该综述文章从有机太阳能电池分子的结构、性质、效率三方面入手,总结了机器学习与高通量筛选在优化和设计高性能有机太阳能电池分子中的应用,详细讨论了机器学习和高通量筛选用于构建有机太阳能电池分子的结构与性质的关系、性质与效率的关系以及结构与效率的关系的方式与效果。此外,该文章还依据目前的研究现状,针对性地提出了三个潜在的研究方向:构建更加高质量的数据集、寻找更合适的训练特征以及使用更先进的模型与算法。

上述研究工作得到了国家重点研发计划(2017YFB0701600和2017YFA0204800)、江苏省科技项目(BZ2020011)、江苏省高等学校优势学科建设工程和国家自然科学基金项目(51761145013, 21673149)的支持。。

论文信息:

Molecular design and performance improvement in organic solar cells guided by high‐throughput screening and machine learning

Jie Feng, Hongshuai Wang, Yujin Ji*, Youyong Li*

Nanoselect

DOI: 10.1002/nano.202100006