首页 » 国外科研 >

机器学习用于几乎无限的太阳能电池实验

2021-12-21 17:50:09来源:

聚合物:非富勒烯受体太阳能电池的图片,该聚合物是通过机器学习设计的。

大阪大学的研究人员使用机器学习来设计和虚拟测试有机太阳能电池的分子,这可以导致可再生能源应用中效率更高的功能材料。

大阪大学的研究人员利用机器学习来设计用于光伏设备的新型聚合物。在对200,000种候选材料进行虚拟筛选之后,他们合成了最有希望的材料之一,并发现其性能与他们的预测相符。这项工作可能会引发功能材料发现方式的革命。

聚合物(左)和非富勒烯受体(右)的示例化学结构。

机器学习是一个功能强大的工具,只要算法提供了足够的示例数据,它就可以使计算机对复杂情况做出预测。这对于材料科学中的复杂问题尤其有用,例如设计有机太阳能电池的分子,这可能取决于各种各样的因素和未知的分子结构。人类需要花费数年的时间才能筛选出数据,以找到潜在的模式,甚至需要更长的时间来测试组成有机太阳能电池的供体聚合物和受体分子的所有可能候选组合。因此,提高太阳能电池的效率以在可再生能源领域中具有竞争力的进展缓慢。

现在,大阪大学的研究人员使用机器学习来筛选成千上万的供体:受体对,该对是基于经过算法训练的算法,该算法使用先前发表的实验研究中的数据进行训练。尝试使用382个供体分子和526个受体分子的所有可能组合,得到200,932对,通过预测其能量转换效率进行了虚拟测试。

开发机器学习模型,虚拟生成聚合物以及选择用于合成的聚合物的方法。

第一作者Kakaraparthi Kranthiraja说:“将我们的机器学习模型构建在实验数据集上,大大提高了预测准确性。”

为了验证该方法,在实验室中合成并测试了一种预计具有高效率的聚合物。发现其性质符合预测,这使研究人员对他们的方法更有信心。

高级作者Akinori Saeki说:“该项目不仅可以促进高效有机太阳能电池的开发,而且可以适应其他功能材料的材料信息学。”

我们可能会看到这种类型的机器学习,其中一种算法可以根据机器学习预测快速筛选成千上万甚至数百万个候选分子,并将其应用于其他领域,例如催化剂和功能聚合物。

参考:Kakaraparthi Kranthiraja和Akinori Saeki撰写的“面向实验的聚合物:非富勒烯有机太阳能电池的机器学习”,2021年2月25日,先进功能材料。DOI:
10.1002 / adfm.202011168

资金:日本科学技术振兴会,教育,文化,体育,科学和技术部,日本科学技术厅。