Icke-fullerenacceptor solcellsenhet, för vilken polymeren utformades genom maskininlärning. Kredit:Osaka University
Forskare från Osaka University använde maskininlärning för att designa nya polymerer för användning i solceller. Efter praktiskt taget screening över 200, 000 kandidatmaterial, de syntetiserade en av de mest lovande och fann att dess egenskaper överensstämde med deras förutsägelser. Detta arbete kan leda till en revolution i sättet att upptäcka funktionella material.
Maskininlärning är ett kraftfullt verktyg som tillåter datorer att göra förutsägelser om även komplexa situationer, så länge som algoritmerna är försedda med tillräckligt med exempeldata. Detta är särskilt användbart för komplicerade problem inom materialvetenskap, som att designa molekyler för organiska solceller, som kan bero på en stor mängd faktorer och okända molekylära strukturer. Det skulle ta människor år att sålla igenom data för att hitta de underliggande mönstren - och ännu längre tid att testa alla möjliga kandidatkombinationer av donatorpolymerer och acceptormolekyler som utgör en organisk solcell. Således, Framstegen med att förbättra effektiviteten hos solceller för att vara konkurrenskraftiga i det förnybara energiområdet har varit långsamma.
Nu, forskare vid Osaka University använde maskininlärning för att screena hundratusentals donator:acceptor-par baserat på en algoritm tränad med data från tidigare publicerade experimentella studier. Att prova alla möjliga kombinationer av 382 donatormolekyler och 526 acceptormolekyler resulterade i 200, 932 par som virtuellt testades genom att förutsäga deras energiomvandlingseffektivitet.
Fig. 2. Exempel på kemiska strukturer av en polymer (vänster) och en icke-fullerenacceptor (höger). Kredit:Osaka University
"Att basera konstruktionen av vår maskinlutande modell på en experimentell datauppsättning förbättrade prediktionsnoggrannheten drastiskt, ", säger första författaren Kakaraparthi Kranthiraja.
För att verifiera denna metod, en av de polymerer som förutses ha hög effektivitet syntetiserades i laboratoriet och testades. Dess egenskaper visade sig överensstämma med förutsägelser, vilket gav forskarna mer förtroende för sitt tillvägagångssätt.
Fig. 3. Metod för utveckling av maskininlärningsmodellen, virtuell generering av polymerer, och val av polymerer för syntes. Kredit:Osaka University
"Detta projekt kan bidra inte bara till utvecklingen av högeffektiva organiska solceller, men kan också anpassas till materialinformatik för andra funktionella material, ", säger seniorförfattaren Akinori Saeki.
Vi kan se den här typen av maskininlärning, där en algoritm snabbt kan screena tusentals eller kanske till och med miljontals kandidatmolekyler baserat på maskininlärningsförutsägelser, tillämpas på andra områden, såsom katalysatorer och funktionella polymerer.
