重大孙宽/郑玉杰Adv.Sci.: 机器学习+量子化学用于开发高效非富勒烯受体

Y6及其衍生物大大提高了有机光伏（OPV）的功率转换效率（PCE）。通过研究这些材料的化学结构和性能之间的关系，进一步开发高性能的Y6衍生物受体材料，将有助于加速OPV的发展。

在此，重庆大学孙宽研究员及郑玉杰等人采用机器学习和量子化学相结合的方法用于了解结构-性质关系并开发新的OPV受体材料。作者建立了一个以Y6及其衍生物为受体材料的OPV数据库，供体材料仅限于PBDB-T或PBDB-TF（PM6）。受体分子分为三部分，即末端受体单元（A1）、供体单元（D1）和核心受体单元（A2），并由改进的one-hot代码编码作为机器学习的输入。

基于随机森林（RF）的机器学习模型算法显示出良好的预测能力，用于筛选所有可能的分子结构形成的化学空间。最终，该机器学习模型筛选出22种新的高潜力OPV受体材料，预计PCE大于17%。

图1. 机器学习预测的5种典型高性能受体分子及其PCE

与发现的高性能分子相关的趋势表明，具有中等长度侧链的Y6衍生物具有更高的性能。对五个具有相同供体单元但具有不同受体单元的高性能分子进行的量子化学计算表明，末端受体单元主要影响前沿分子轨道能级和分子表面的静电势，进而影响OPV器件的性能。

因此，这项工作已经筛选出一系列具有高潜力的OPV受体材料，为高性能OPV材料的发展提供了合理的设计指导。该方法不仅可以用于研究OPV材料的分子结构与OPV器件的PCE之间的关系，还可以扩展到其他材料系统以快速发现材料，并可以为新型有前途的OPV材料设计提供合理的框架。

图2. 量子化学计算5种受体分子不同光电特性的根源

High-Efficiency Non-Fullerene Acceptors Developed by Machine Learning and Quantum Chemistry, Advanced Science 2022. DOI: 10.1002/advs.202104742

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/4e3acc6ce7/

重大孙宽/郑玉杰Adv.Sci.: 机器学习+量子化学用于开发高效非富勒烯受体

相关推荐