为了更快地寻找匹配良好的太阳能材料，日本大阪大学的科学家们应用随机森林法进行筛选，这是一种能够设计、合成和表征聚合物的机器学习技术，能够促进有机太阳能光伏（OPV）光电子材料的快速发展。
来自大阪大学的科学家们从大约500项研究中收集了1200份有机太阳能光伏的数据。利用随机森林机器学习法，他们建立了一个结合这些有机太阳能光伏的带隙、分子量和化学结构的模型，以及它们的功率转换效率以预测潜在器件的效率。
使用材料信息学探索用于聚合物太阳能电池的新聚合物。由电子供体、电子受体和烷基链组成的聚合物结构的例子（上图）。按随机森林方法分类（中图）。材料信息学、实践实验和人类智能（图下方）的协同合作。图片来源：大阪大学。
随即森林法发现了材料性能与有机太阳能光伏中的实际性能之间的相关性。为了利用这一点，该模型被用于自动“筛选”新型聚合物的理论功率转换效率。基于吸收有机分子与半导体聚合物结合的一类有机太阳能光伏的价格便宜、重量轻、安全且易于生产的。但是，有机太阳能光伏的功率转换效率对于全面商业化而言仍然太低。
研究人员Shinji Nagasawa说：“聚合物的选择会影响几种性质，如短路电流将直接决定功率转换效率。但是，没有简单的方法能够设计改进性能的聚合物。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。”
聚合物太阳能电池中的光电转换和活性材料的化学结构。图片来源：大阪大学。
通过随机森林法筛选获得的信息使日本研究团队创造了一种以前未经测试的聚合物。虽然基于这种聚合物的有机太阳能光伏被证明其效率低于预期，但该模型为结构与性质关系提供了有用的信息。研究人员认为，通过纳入更多的数据，如聚合物在水中的溶解度，将提高模型的实用性。
教授Akinori Saeki表示：“机器学习能够极大地加速太阳能电池的开发，因为它能够即时预测实验室需要数月才能得到的结果，它不是人为因素的直接替代品，但它可以为分子设计师提供关键支持。”
该研究发表于The Journal of Physical Chemistry Letters（doi：10.1021 / acs.jpclett.8b00635）。
首页
