基于深度学习预测有机光伏电池能量转换效率

于程远，吴金奎，周利，吉旭，戴一阳，党亚固

（四川大学化学工程学院，四川成都610065）

引 言

基于光伏技术的太阳能捕集是一种能够解决日益增长的全球能源需求的可持续手段。新型高效光伏材料的发现在世界范围内已成为学术界和工业界的热门话题[1-6]。其中，有机光伏（OPV）因其低成本、轻量化、机械灵活性和大面积制造潜力而备受关注[7-9]。尽管OPV 有着许多的优点，但其发展仍然具有挑战性，并且很大程度上依赖于光电转换效率（PCE）的提高[10]。目前，新型OPV 的开发主要采用实验驱动的试错法，在资源和时间上成本高且在探索新化学空间上有效性有限。

实验试错方法存在的这些缺点促使研究者们通过建立模型来指导OPV 的开发。Scharber 模型[11]从受体的最低未占据分子轨道（LUMO）和给体的最高占据分子轨道（HOMO）的能级来估计本体异质结太阳能电池的最大PCE，广泛用于光伏材料的性质预估。尽管这类模型通常过于简单化，无法解释有机太阳能电池的所有复杂物理化学行为，但其可对候选化合物可能达到的潜在最佳性能进行预判，为实验设计提供有价值的参考。最近，Green等[12]在半经验模型的分析指导下，实验合成的有机光伏材料PCE 实现了新的突破（17.35%）。大量的研究工作也证明，正确反映化合物定量结构与性质关系的模型（QSPR 模型）可为材料性能的改善提供有力支撑[13-16]。近年来，随着计算能力和机器学习算法的快速发展，高通量虚拟筛选（HTVS）正成为发现新型高性能材料的主流方法：包括建立化合物的理论/实验性能数据库，开发正向性能预测模型和逆向材料设计规则和算法。……