太阳成集团tyc33455cc孙宽研究员带领的柔性可再生能源材料与器件（La FREMD）团队与校内外多个研究组合作，最近成功实现通过机器学习筛选有机光伏材料，该成果以《机器学习辅助分子设计及高性能有机光伏材料的效率预测》(Machine learning assisted molecular design and efficiency prediction for high performance organic photovoltaic materials)为题，以重庆大学为第一和通讯单位在Science子刊《Science Advances》(影响因子=12.8)上发表。重庆大学的孙宽研究员和中国科学院重庆绿色智能技术研究院的陆仕荣研究员、肖泽云研究员为共同通讯作者，硕士生孙文博、郑玉杰博士和博士生杨可为共同第一作者。至此，孙宽研究员入职重庆大学的5年以来，已在Cell、Nature、Science (CNS)的子刊以第一或通讯作者身份发表4篇原创论文。

有机太阳能电池是一种将太阳能转化为电能的直接且经济的方式。近年来，有机太阳能电池研究经历了快速发展，光电转换效率（PCE）已超过17％。直到现在，有机光伏研究主要致力于建立新的材料分子结构与其光伏特性之间的关系。该过程通常涉及光伏材料的设计与合成，材料光电性质的表征，以及光伏电池的组装和优化。这种传统方法包括对化学合成和器件制备进行精细控制及优化，需要大量的资源投入和较长的研究周期，因此有机光伏材料的开发速度一直较慢。自1973年有机太阳能电池被首次报道以来，合成并在光伏器件中测试过的有机太阳能电池给体材料分子不足2000种。不过，在这半个世纪探索中产生的实验数据却是宝贵的。然而到目前为止，在寻找高性能有机光伏材料时数据的潜在价值尚未得到充分利用。为了从这些数据中提取有用信息，需要一种能够扫描大量数据集并提取特征之间关系的程序。机器学习正是满足要求的一种算法，其提供了一套计算工具，能够根据误差（或损失函数）最小化或概率规则（例如最大化似然性）学习和识别模式或关系，并预测结果或做出决策。这种数据驱动的方法使机器学习能够预测广泛的材料特性，而无需对这些特性背后的化学或物理学原理进行深入了解。

近日，太阳成集团tyc33455ccLa FREMD团队联合自动化学院、计算机学院、经管学院、华北理工大学以及中国科学院重庆绿色智能技术研究院的多个团队，在开发高性能有机太阳能电池给体材料的过程中，利用机器学习在合成新材料之前建立化学结构和光伏特性之间的关系，并对新材料进行效率预测。该项目首先建立了一个包含已被文献报道过的1700多种有机太阳能电池给体材料的数据库。通过监督学习，项目设计的机器学习模型可以建立“结构-性能”关系，从而实现有机光伏材料的快速筛选。项目探索了数种分子结构的表达形式，如分子结构图、ASCII码字符串、分子描述符及分子指纹等作为多种机器学习算法的输入，发现长度超过1000位的分子指纹可获得高预测准确率，是进行这类机器学习的最佳表达形式。此外，作者利用机器学习模型预测了10种新设计的给体材料，模型的预测结果和实验结果之间的具有良好的一致性，从而进一步验证了机器学习方法的可靠性。结果表明机器学习是预评估和筛选有机光伏新材料的有力工具，该方法可加速有机太阳能电池领域的发展。

该研究工作得到了国家自然科学基金、国家仪器专项、中科院百人计划以及重庆市科委项目的资助。作者同时感谢中科院化学所的李永舫院士对研究工作提出宝贵意见。

全文链接：https://advances.sciencemag.org/content/5/11/eaay4275