英國利物浦大學Mater. Horiz. ：結合機器學習模型中的電子和結構特征來預測有機太陽能電池性能

【引言】

為本體異質結太陽能電池設計的新型有機半導體吸引了許多研究項目，根據其成分的知識預測太陽能電池的能量轉換效率（PCE）。從理論角度看，由于光伏電池在吸收光的過程中發生了許多物理過程，如激子形成和遷移、電荷傳輸和重組。因此，對每個異質結進行微觀建模并不是發現新材料和材料預測的可行途徑，只能局限于幾個基準系統。根據有限數量的易于計算的參數，通過模型可以使新半導體的預測變得有效。這類模型中最著名的模型之一是Scharber模型，它依賴于一些合理的假設，僅利用供體-受體對的一些電子參數來獲得光伏效率的預測。然而，如果沒有形成一個全新的理論，就很難將模型擴展到包括額外的電子參數、其他各種性質的描述符(結構、拓撲、熱力學)或其他現象。

【成果簡介】

近日，在英國利物浦大學Daniele Padula教授和Alessandro Troisi教授團隊（共同通訊作者）帶領下，建立了一個249對有機供體-受體對的數據庫，主要是具有少數（8）雙層晶胞的BHJ晶胞。團隊收集了實驗光伏參數（V_OC、J_SC、FF、η），計算了平衡幾何和四種電子在DFT水平的特性（供體E_D^HOMO的HOMO能量、供體E_D^LUMO的LUMO能量、受體E_A^LUMO的LUMO能量、內部重組的總能量λ在真空內供體的氧化和受體的還原）。該數據庫僅包含光電對，其中受體是富勒烯受體，即C₆₀、PC₆₁BM或PC₇₁BM。在電子和結構參數方面獲得供體對之間的相似性度量，并且利用這些度量來通過線性和非線性機器學習模型來預測光伏效率。團隊觀察到僅使用電子或結構參數導致類似的結果，同時考慮兩個參數提高了模型的預測能力直到r≈0.7的相關性。這種相關性允許對有效材料的可靠預測，并且有助于與進化方法的組合相結合，以便更可靠地對候選材料進行虛擬篩選。相關成果以題為“Combining electronic and structural features in machine learning models to predict organic solar cells properties”發表在了Mater. Horiz. 上。

【圖文導讀】

圖1?計算光伏性能與實驗光伏性能的比較

圖2?數據集中捐助者的距離矩陣

左：電子參數之間的歐幾里德距離。右圖：使用兩種指紋算法（上三角形：日光指紋。下三角形：摩根指紋）計算的分子指紋結構距離。

圖3?基于各個距離的光伏參數的k-NN（k=3）回歸預測

基于各個距離的光伏參數的k-NN（k=3）回歸預測，在每列的頂部指示。顏色僅編碼電子屬性（藍色），或使用的分子指紋類型（黃色為日光指紋，品紅色為摩根指紋）

?圖4?基于各種距離內核的光伏效率的KRR預測

基于各種距離內核的光伏效率的KRR預測，在每列的頂部指示。顏色僅編碼電子屬性（藍色），或使用的分子指紋類型（黃色為日光指紋，品紅色為摩根指紋）。

【小結】

綜上所述，團隊已經驗證了Scharber模型與DFT計算結合使用時的預測能力非常有限。因此，團隊探索了一系列結合電子特性和拓撲信息的機器學習算法，獲得了高度預測模型。一個簡單的k-NN模型已經在實驗和預測之間產生?0.6的相關性，通過利用非線性內核方法可以將其提高到~0.7。結構相似性度量的引入模仿了實驗研究中采用的方法，即它可以被視為“人工化學直覺”的實現。可以預見到各種改進：根據分子和性質分析較大的數據集，優化RMSE以確定超參數的優化數值，以及與組合或遺傳搜索結合以提出新的高效候選者。

文獻鏈接：Combining electronic and structural features in machine learning models to predict organic solar cells properties（Mater. Horiz.?, 2018, DOI: 10.1039/C8MH01135D）

本文由材料人編輯部學術組木文韜翻譯，材料牛整理編輯。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com。