Fig. 1. Utforska nya polymerer för polymersolceller med hjälp av materialinformatik. (Övre) Exempel på en polymerstruktur som består av elektrondonator, elektronmottagare, och alkylkedjor. (Mellan) Klassificering efter slumpmässig skogsmetod. (Lägre) Synergetisk kombination av materialinformatik, praktiska experiment, och mänsklig intelligens. Kredit:Osaka University
Solceller kommer att spela en nyckelroll i omställningen till en förnybar ekonomi. Organiska solceller (OPV) är en lovande klass av solceller, baserad på en ljusabsorberande organisk molekyl i kombination med en halvledande polymer.
OPV är gjorda av billiga, lätta material, och dra nytta av god säkerhet samt enkel produktion. Dock, deras effektomvandlingseffektivitet (PCE) – förmågan att omvandla ljus till elektricitet – är fortfarande för låg för fullskalig kommersialisering.
PCE beror på både det organiska skiktet och polymerskiktet. Traditionellt, kemister har experimenterat med olika kombinationer av dessa genom försök och fel, leder till mycket bortkastad tid och ansträngning.
Nu, ett team av forskare från Osaka University har använt datorkraft för att automatisera sökningen efter välmatchade solmaterial. I framtiden, detta kan leda till mycket effektivare enheter. Studien rapporterades i Journal of Physical Chemistry Letters .
"Valet av polymer påverkar flera egenskaper, som kortslutningsström, som direkt bestämmer PCE, ", förklarar studieförfattaren Shinji Nagasawa. "Men, det finns inget enkelt sätt att designa polymerer med förbättrade egenskaper. Traditionell kemisk kunskap är inte tillräckligt. Istället, vi använde artificiell intelligens för att styra designprocessen. "
Fig. 2. Fotoelektrisk omvandling i polymersolcell och kemiska strukturer av de aktiva materialen. Kredit:Osaka University
Informatik kan vara meningsfullt med stora, komplexa datamängder genom att upptäcka statistiska trender som undviker mänskliga experter. Teamet samlade in data om 1, 200 OPV från cirka 500 studier. Använda Random Forest maskininlärning, de byggde en modell som kombinerade bandgapet, molekylvikt, och kemisk struktur hos dessa tidigare OPV, tillsammans med sin PCE, för att förutsäga effektiviteten hos potentiella nya enheter.
Random Forest avslöjade en förbättrad korrelation mellan materialens egenskaper och deras faktiska prestanda i OPV. För att utnyttja detta, modellen användes för att automatiskt "screena" potentiella polymerer för deras teoretiska PCE. Listan över toppkandidater skrapades sedan ut baserat på kemisk intuition om vad som kan syntetiseras i praktiken.
Denna strategi ledde till att teamet skapade en ny, tidigare oprövad polymer. I händelsen, en praktisk OPV baserad på detta första försök visade sig vara mindre effektiv än förväntat. Dock, modellen gav användbar inblick i förhållandet struktur -egendom. Dess förutsägelser kan förbättras genom att inkludera mer data, såsom polymerernas löslighet i vatten, eller regelbundenhet hos deras ryggrad.
Fig. 3. Exempel på screening av alkylkedjor med slumpmässig skog. Kredit:Osaka University
"Maskininlärning kan enormt påskynda utvecklingen av solceller, eftersom det omedelbart förutsäger resultat som skulle ta månader i labbet, " säger medförfattaren Akinori Saeki. "Det är inte en enkel ersättning för den mänskliga faktorn – men det kan ge avgörande stöd när molekylära designers måste välja vilka vägar de ska utforska."
