導語：研究人員基於Y6及其衍生物構建了一種OPV受體材料資料庫，形成了一個機器學習模型。該機器學習模型具有很好的預測能力，從新的虛擬資料庫中可以篩選出22個預測PCE高於17%的新型受體材料。重慶大學孫寬團隊Adv. Sci.:利用機器學習和量子化學開發高效非富勒烯受體
https://mp.weixin.qq.com/s/26XgqlBJy6YI5bmF6vudRQ
1.前言回顧
開發新型有機光伏（OPV）受體的常規程式是合成分子，然後測試其光電轉換效能，這個過程既耗時又費力。因此，提前在所有可能的分子結構中篩選，以獲得具有高效能的潛在分子，有利於節省資源並加速新型OPV材料的開發。
由於OPV的複雜性，使用傳統的計算模擬方法很難建立材料的化學結構與器件效能之間的直接關係。近年來，隨著人工智慧的發展，研究人員試圖利用機器學習來建立上述結構-效能關係。作為一種資料驅動的方法，機器學習可以從現有資料中獲取資訊，甚至在沒有相關背景知識的情況下進行預測，因此已被廣泛用於預測OPV器件的PCE和篩選新的光伏材料。
圖1.PCE實驗值與預測值
2.文獻簡介
近日，重慶大學孫寬研究員團隊基於Y6及其衍生物構建了一種OPV受體材料資料庫，形成了一個機器學習模型。該機器學習模型具有很好的預測能力，從新的虛擬資料庫中可以篩選出22個預測PCE高於17%的新型受體材料。篩選結果表明，基於Y6衍生物受體的高效能OPV材料通常具有中等長度的側鏈。而進一步的量子化學計算表明，分子的末端單元主要改變前線分子軌道能級和分子表面的靜電勢（ESP），從而導致光電轉換效能的差異。更重要的是，該模型不僅可以用於研究OPV材料的分子結構與其器件PCE之間的關係，還可以擴充套件到其它材料體系，從而快速發現新材料，併為新型有效的材料設計提供合理的框架。
圖2.受體材料的片段編碼方法
圖3.Z1、Z2分子表面靜電勢分佈
3.文獻總結
綜上，該工作篩選出了一系列高潛力的OPV受體材料，為高效能OPV材料的開發提供了合理的設計指導。相關研究成果現已發表在Wiley旗下的著名期刊《Advanced Science》上，題為“High-Efficiency Non-Fullerene Acceptors Developed by Machine Learning and Quantum Chemistry”。
本文關鍵詞：有機光伏，非富勒烯受體，機器學習，量子化學。
4.材料推薦
L8-BO
Y6：2304444-49-1
