![]()
为特定的高复杂性光电器件定制有机分子的逆向设计具有巨大的潜力，但尚未实现。目前的模型依赖于大型数据集，而这些数据集通常不存在于专门的研究领域。
2024年12月12日，德国纽伦堡亥姆霍兹可再生能源研究所Christoph J. Brabec、Jianchang Wu、卡尔斯鲁厄理工学院Pascal Friederich、韩国蔚山科学技术院Sang Il Seok、厦门大学Wang Luyao共同通讯在Science在线发表题为“Inverse design workflow discovers hole-transport materials tailored for perovskite solar cells”的研究论文，该研究利用逆向设计工作流发现为钙钛矿太阳能电池量身定制的空穴传输材料。
研究人员展示了一个闭环工作流程，结合了有机半导体的高通量合成来创建大型数据集和贝叶斯优化，以发现具有定制性能的新空穴传输材料，用于太阳能电池应用。预测模型是基于分子描述符，使人们能够将这些材料的结构与其性能联系起来。从最小的建议中确定了一系列高性能分子，并在钙钛矿太阳能电池中实现了高达26.2%（认证25.9%）的功率转换效率。钙钛矿太阳能电池（PSCs）的空穴传输材料（HTMs）的设计主要是由实验学家定性地识别HTM结构中的模式来提高器件性能驱动的。这种方法缺乏对新HTMs的机制理解，而且还需要在高维数据集中进行模式识别。机器学习（ML）已被用于检测各种科学和技术应用中的有意义的模式，包括有机合成、材料科学和制造工艺优化。然而，具有半导体器件功能优化性能的新材料的发现尚未应用于新兴光伏。器件性能与材料结构之间的关系很难反转，因为材料的结构与材料的特性、加工主导的复合材料微观结构以及两者对器件性能的相对影响之间存在复杂的相关性。先前的努力主要集中在使用ML来优化制造工艺或在制造工艺的基础上预测设备性能和稳定性。例如，高斯过程（GP）回归已被用于机器人设备制造的数据建模，这使得设备性能和稳定性的分析和预测成为可能。在整个参数空间中，以最小的1~2个参数集和最小的1~2个参数集快速识别出最优参数集和目标函数。Xu等人将其应用于钙钛矿钝化材料的优化中。然而，训练数据仅限于制造过程或商业材料，因此不包括新分子结构的产生。该研究展示了一个发现功能材料的工作流程，该工作流程针对光伏器件等高度复杂的应用进行了优化。同时建立了基于分子描述符的预测模型，使我们能够将材料的结构与高度复杂的设备（如太阳能电池）的性能联系起来。将有机合成纳入自主驱动的自主实验室，结合自主设备优化线，使该工作流程成为可能，并且该方法可以扩展到其他应用领域。这种能力对于器件加工和优化尤其重要，这需要对所涉及的材料和工艺有细致的了解。
参考消息：
https://www.science.org/doi/10.1126/science.ads0901
![]()
—END—
内容为【iNature】公众号原创，
转载请写明来源于【iNature】
微信加群
iNature汇集了4万名生命科学的研究人员及医生。我们组建了80个综合群（16个PI群及64个博士群），同时更具专业专门组建了相关专业群（植物，免疫，细胞，微生物，基因编辑，神经，化学，物理，心血管，肿瘤等群）。温馨提示：进群请备注一下（格式如学校+专业+姓名，如果是PI/教授，请注明是PI/教授，否则就直接默认为在读博士，谢谢）。可以先加小编微信号（love_iNature），或者是长按二维码，添加小编，之后再进相关的群，非诚勿扰。
![]()
![]()
投稿、合作、转载授权事宜
请联系微信ID：13701829856 或邮箱：iNature2020@163.com
觉得本文好看，请点这里！
