摘要：在过去的十年中，全球环保意识的日益增强以及对可再生能源需求的持续增长，极大地推动了光伏技术的快速发展。作为最具代表性的碳中和能源和增长最快的可再生能源，太阳能技术得到了广泛的关注和实际应用。在众多光伏技术中，有机光伏（OPV）凭借其高通量制造的显著优势，成为了

海归学者发起的公益学术平台

分享信息，整合资源

交流学术，偶尔风月

在过去的十年中，全球环保意识的日益增强以及对可再生能源需求的持续增长，极大地推动了光伏技术的快速发展。作为最具代表性的碳中和能源和增长最快的可再生能源，太阳能技术得到了广泛的关注和实际应用。在众多光伏技术中，有机光伏（OPV）凭借其高通量制造的显著优势，成为了一种具有革命性的太阳能技术。然而，与无机太阳能电池和钙钛矿太阳能电池相比，OPV在功率转换效率（PCE）和长期稳定性方面仍面临重大挑战。

此外，传统的OPV材料开发过程通常依赖于大量的试错实验，包括复杂的化学合成和新型受体的PCE测试，这不仅耗费大量的时间和资源，也严重制约了材料开发的效率。为了应对这些挑战，研究人员开始探索利用人工智能（AI）技术来预测材料特性和筛选潜在候选材料，从而减轻实验过程的资源密集型负担，并显著缩短材料开发周期。通过引入先进的机器学习算法和创新的结构表征方法，研究人员能够更高效地设计、优化和筛选高性能OPV材料,进一步推动了光伏技术的可持续发展。

来自南方科技大学叶财超团队与南京理工大学熊攀、居学海团队合作，提出了一种基于“聚合基元指纹”（PUFp）的机器学习策略，用于高效设计与开发高性能非富勒烯受体材料（NFA）。这一跨学科研究结合机器学习与材料科学，为有机光伏材料设计提供了新思路。研究团队通过整合机器学习与PUFp结构表示方法，开发了一个高效的预测模型，能够准确识别聚合物单元与功率转换效率（PCE）之间的关联。

Fig. 1 Explanation of Fingerprints and Descriptors

Fig. 2 Workflow of Building, Application, and Evaluations of Machine Learning Methods in This Work.

PUFp基于团队前期提出的“聚合基元”（PUs）概念，利用PURS脚本对有机光伏（OPV）数据集中的SMILES字符串进行PUs识别与划分，生成指纹特征。每个OPV分子表示为一个维度为（T, N）的节点矩阵，通过求和运算得到PUFp指纹。这种方法显著提升了模型预测的准确性，为OPV材料的性能预测与优化提供了理论基础。为评估PU对PCE的贡献，研究团队对1343种NFA材料进行了SHAP分析，量化了PUs对PCE的影响，并揭示了其作为供体/受体（D/A）聚合物分子构建块的作用机理。

Fig. 3 Key Features Analysis.

Fig. 4 Statistics of Experimental Device Parameters (∼1343 points).

Fig. 5 Polymer-Unit Library: Polymer Units are Classified According to the Number of Rings and the Type of Elements

通过组合优化关键PU，团队成功设计了多种高性能OPV材料，展示了PUFp-ML方法在新材料设计中的强大能力。团队还构建了高质量的OPV材料实验数据集，利用PUFp-ML模型筛选出两种最具应用前景的NFA材料。

Fig. 6 Identification of Key Polymer Units by Using a SHAP Evaluation.

Figure 7 Design and Screening of High PCE OPV Acceptor Materials

该研究揭示了人工智能方法在设计和优化NFA材料中的潜力，特别是在PCE预测方面具有显著优势。团队开发PUFp-AI驱动方法为NFA材料的高效筛选提供了创新解决方案，加速了下一代高性能OPV材料的开发和机制研究。

论文链接：

扩展阅读

来源：知社学术圈