图1显示的为使用材料信息学探索用于聚合物太阳能电池的新聚合物。（图片上部分）由电子给体，电子受体和烷基链组成的聚合物结构的实例。（图片中间部分）按随机森林法分类。（图片下部分）材料信息学，实践实验和人类智能的协同组合。图片来源：大阪大学
太阳能电池将在转向可再生经济方面发挥关键作用。有机光伏电池（OPV）是一种基于可吸收光的有机分子与半导体聚合物相结合的太阳能电池。
有机光伏电池（OPV）是由廉价、轻量化的材料制成的，并且具有良好的安全性和易于生产的优点。然而，它们的功率转换效率（PCEs——即将光转换为电能的能力）太低。对其全面商业化进程有很大阻碍。
功率转换效率（PCE）取决于有机层和聚合物层。之前有化学家通过反复试验尝试了很多不同的组合，为此耗费了大量的时间和精力。
现在，大阪大学的一组研究人员已经利用计算机的力量来自动搜索匹配良好的太阳能电池材料。在未来，这可能会有助于生产效率大大提高的设备。这项研究发表在了“Journal of Physical Chemistry Letters”杂志上。
文章的第一作者Shinji Nagasawa解释说：”聚合物的选择会影响几个特性，比如短路电流，短路电流的大小直接决定了功率转换效率（PCE）。然而，没有一种容易的方法可以用来设计具有更好性能的聚合物，传统的化学知识是不够的。相反，我们决定使用人工智能来指导设计过程。”
图2显示了聚合物太阳能电池中的光电转换和活性材料的化学结构
信息学可以通过检测人类专家所没有的统计趋势来理解大型、复杂的数据集。该团队从大约500项研究中收集了1200个OPV的数据。使用随机森林机器学习，他们建立了一个模型，这个模型结合了这些先前的OPV的带隙、分子量和化学结构，并结合了它们的PCE来预测潜在的新器件的效率。
随机森林揭示了这些材料的特性与它们在OPV中的实际性能之间的改善的相关性。为了利用这一点，该模型被用于自动“筛选”潜在的聚合物，以获得其理论上的PCE。然后根据化学直觉，将最优秀的候选人名单缩减，以便在实践中综合考虑。
该策略使该团队创建了一种新的，以前未经测试的聚合物。在这种情况下，基于第一次尝试的实际OPV的效率比预期的要低。然而，该模型对结构——性质关系提供了有益的见解。它的预测可以通过包括更多的数据来改善，例如聚合物在水中的溶解度或其骨架的规律性。
图3显示了使用随机森林法进行烷基链筛选的实例
文章的合著者Akinori Saeki说：“机器学习可以极大地加速太阳能电池的开发，因为它可以即时预测在实验室可能需要数月才能得出的实验结果。这并不是对人类因素的直接替代，但当分子设计师必须选择探索的途径时，它可以提供关键的技术支持。”
文章来自phys，原文题目：AI software assists design of new material for solar cells，由材料科技在线汇总整理。
