养200只土鸡能赚多少 (文章配图 侵删)
英文原题：ArtificialIntelligenceDesignerforHighly-EfficientOrganicPhotovoltaicMaterials
近年来，有机光伏（OPV）经历了快速发展，并成为一种具有商业应用潜力的可再生能源技术。目前，使用聚合物给体材料的OPV器件的光电转换效率（PCE）已超过18%，基于小分子给体材料的PCE已超过15%。在现阶段，基于人工经验的试错法仍然是设计新分子的主要方法。然而这种传统方法具有一定的主观性和随机性。尽管投入了大量的资源和时间，仍难以有针对性地获得高性能材料。通常来说，OPV材料由具有不同功能的单元组成，例如给体和受体单元、侧链、端基等。通过对这些功能单元的适当组合和修饰可以提高材料的性能。因此，识别出有利于高性能的关键单元并建立子结构与性能之间的关系对于新材料的开发至关重要。与实验方法不同，机器学习能够提供有效的预测模型，并基于大数据分析输入特征的重要性，避免耗时的高通量实验。
文章亮点
提出基于人工智能的材料设计流程。建立了机器学习模型，成功识别出高兴能材料设计的关键结构因素，并通过关键子结构的拼接组合预测了全新的高效率分子，通过新分子筛选，有望获得高性能新材料。
机器学习的应用模式从被动筛选新材料转换为主动发现关键结构并生成新材料，拓展了机器学习在材料设计的应用。
在有机光伏给体材料的开发过程中使用了该设计方法，获得了预测光电转换效率超过15%的小分子给体材料，采用第一性原理计算进一步验证了高性能分子的应用潜力。
内容介绍
图1.基于人工智能的高性能有机光伏材料设计流程图。
图2.生成LaFREMD分子指纹的过程。(a)拆分分子的示意图。(b)通过拆分分子获得的子结构片段。OPV给体材料数据库中的分子进行拆分后产生了6180个不同的子结构片段。(c)通过检查分子是否包含有每个子结构，可获得6180位的LaFREMD分子指纹。
图3.识别用于新材料设计的重要子结构。(a)通过RF进行的子结构重要性分析及统计分析结果。(b)通过重要性分析确定的具有不同功能的关键单元化学结构。(c)用于生成新分子的主链骨架结构和组合规则。
图4.两种主链中最有前景的分子。(a)CQ15和CQ20的化学结构。(b)CQ15和CQ20的电子结构。
原文（扫描或长按二维码，识别后直达原文页面）：
ArtificialIntelligenceDesignerforHighly-EfficientOrganicPhotovoltaicMaterials
WenboSun,YujieZheng,QiZhang,KeYang,HaiyanChen,YongjoonCho,JiehaoFu,OmololuOdunmbaku,AkeelA.Shah,ZeyunXiao*,ShirongLu*,ShanshanChen,MengLi,BoQin,ChangdukYang,ThomasFrauenheim,andKuanSun*
J.Phys.Chem.Lett.,2021,12,8847–8854,DOI:10.1021/acs.jpclett.1c02554
PublicationDate:September8,2021
Copyright?2021AmericanChemicalSociety
重庆大学柔性可再生能源材料与器件课题组介绍
柔性可再生能源材料与器件课题组成立于2019年，依托单位为重庆大学能源与动力工程学院，所属学院的低品位能源利用技术及系统教育部重点实验室。拥有一支由教授、副教授、青年教师、工程师、博士生和硕士生组成的四十多人研究团队。近年来的工作方向集中于光伏材料、热电材料、导电高分子、光热转换材料、柔性储能材料等，期待与同行专家的交流合作。
课题组网站：
https://www.x-mol.com/groups/LaFREMD
（本稿件来自ACSPublications）
点击“阅读原文”，查看 化学•材料 领域所有收录期刊
文章来源：X-MOL资讯，若有侵权，请联系本站删除！
