元素百科为您介绍AI软件协助设计太阳能电池新材料。研究人员已经使用机器学习设计了新的有机光伏聚合物(太阳能电池)。在挖掘前人研究数据后，他们将聚合物的物理特性以及由此产生的太阳能电池效率输入到随机森林模型中，以统计预测新材料的有效性。与目前的试错实验相比，这种基于信息学的筛选方法与传统的知识引导设计相结合可以大大加速太阳能电池的发展。

太阳能电池将在转向可再生经济方面发挥关键作用。有机光电(OPVs)是一种很有前途的太阳能电池，它的基础是吸收光的有机分子和半导体聚合物。

OPVs是由廉价、轻量的材料制成，并能从良好的安全性和易于生产中受益。然而，它们的功率转换效率(PCEs)-能够将光转换成电能仍然太低，无法大规模商业化。pce既取决于有机聚合物层，又取决于聚合物层。传统上，化学家们通过试错法进行了不同组合的实验，从而浪费大量时间和精力。

现在，大阪大学的一个研究小组已经利用计算机来自动搜索匹配良好的太阳能材料。在未来，这可能会带来更高效的设备。这项研究发表在《物理化学快报》杂志上。

“聚合物的选择影响了几个特性，比如短路电流，这些属性直接决定PCE，”第一作者长川真嗣（音译）解释说。然而，要设计出性能更好的聚合物并不是一件容易的事。仅靠传统的化学知识是不够的。相反，我们使用人工智能来指导设计过程。

信息学可以通过检测人类专家所回避的统计趋势来理解大型复杂的数据集。该小组收集了1200份关于500项研究的数据。利用随机森林机器学习，他们建立了一种结合前人研究成果的OPVs带隙、分子量和化学结构以及它们的pce模型，来预测了潜在新设备的效率。随机森林发现了材料的性能和它们在opv中的实际性能之间的相关性。利用此模型，该模型被用于自动筛选理论上的PCE预期聚合物。然后，对在实际中可以合成的物质进行筛选。

这一策略促使研究小组开发了一种新的、以前未经过测试的聚合物。在这一事件中，基于第一次尝试的实用OPV被证明不如预期的有效。然而，该模型为结构-属性关系提供了有用的见解。它的预测可以通过研究更多的数据来改进，比如聚合物在水中的溶解度，或者它们的骨架的规律性。

合著者Akinori Saeki说:“机器学习可以极大地促进太阳能电池的发展，因为它可以在实验室里瞬间预测需要数月才能得出的结果。”“这不是一个简单的人类因素的替代，当分子设计者必须选择探索的途径时，它可以提供关键的支持。”