基于分子图谱特征的带隙映射方法,用于下一代光伏器件中的NFA聚合物研究,该方法结合了机器学习技术

《Materials Chemistry and Physics》:A molecular graph fingerprinting based bandgap mapping of NFA polymers for next generation photovoltaic devices via machine learning

【字体: 大 中 小 】 时间:2025年12月31日 来源:Materials Chemistry and Physics 4.7

编辑推荐:

  有机聚合物作为下一代光伏器件的 promising 材料,因其可调电子特性和低成本柔性潜力备受关注。本研究针对非富勒烯受主(NFA)聚合物,开发了基于分子图指纹的机器学习模型预测其带隙。通过2048位指纹编码结构特征,评估了随机森林等模型性能,其中随机森林模型R2达0.62。基于此设计并筛选出20种带隙最低的新聚合物,为高效光伏材料开发提供新方向。

  
Mamduh J. Aljaafreh | Sajjad H. Sumrra | Abrar U. Hassan
物理系,伊玛目穆罕默德·本·沙特伊斯兰大学(IMSIU)科学学院,利雅得,11623,沙特阿拉伯

摘要

由于有机聚合物具有可调的电子特性以及制造低成本、柔性太阳能电池的潜力,它们已成为下一代光伏(PV)设备的理想材料。本研究重点关注非富勒烯受体(NFA)聚合物,这类聚合物属于有机聚合物的一个子类,具有适用于光伏应用的可调电子特性。本研究开发了一种基于分子图谱的方法,利用机器学习来绘制NFA聚合物的带隙。针对文献中约1145种NFA聚合物的实验测量数据,设计了2048位的分子指纹,并评估了几种机器学习(ML)模型以预测其带隙值。结果显示,随机森林模型的R2值为0.62,是所有模型中最高的。研究人员设计了10,000种新的聚合物结构,并使用结构活性景观指数(SALI)散点图可视化了其中5,000种结构,识别出预测带隙最低的20种聚合物。这些有前景的候选材料被提议用于实际合成和进一步研究,为开发高性能有机光伏设备铺平了道路。当前的方法为加速发现具有定制电子特性的NFA聚合物提供了工具。

引言

开发新的高效光伏(PV)设备和材料对于利用太阳能至关重要。随着世界向可再生能源转型以减缓气候变化,光伏在减少对化石燃料的依赖方面发挥着重要作用。传统太阳能电池在效率、成本和耐用性方面存在局限性,这促使人们研究创新材料和设备架构。光伏技术的进步可以提高能量存储效率、降低生产成本,并促进太阳能的广泛采用。高效的光伏设备还有助于解决能源贫困问题,尤其是在缺乏传统能源基础设施的偏远地区。此外,改进的光伏材料有助于减少大规模太阳能电站对环境的影响,实现更可持续和负责任的能源生产。投资于尖端的光伏研发可以开启一个更清洁、更可持续的能源未来,有助于缓解紧迫的气候变化问题。
非富勒烯受体(NFA)聚合物作为一种有前景的材料类别,能够捕获光并将其转化为电能,为传统无机太阳能电池提供了一种潜在的、成本效益高且灵活的替代方案。决定这些材料效率的关键因素是它们的带隙,即电子从价带跃迁到导带所需的能量范围。通过修改分子结构,可以调整NFA聚合物的带隙,从而优化其吸收太阳光谱中光的能力。合适的带隙至关重要,因为它决定了可吸收的光的波长范围:较窄的带隙能够吸收更长的波长,从而实现更广泛的太阳能捕获。设计具有最佳带隙的NFA聚合物旨在提高能量转换效率、增强稳定性并降低生产成本,最终使太阳能捕获更加普及和广泛。NFA聚合物的多功能性使其能够应用于各种领域,包括柔性太阳能电池、建筑集成光伏和可穿戴电子设备,为创新的太阳能解决方案开辟了新的途径。与传统基于富勒烯的受体相比,NFA聚合物在光谱吸收和稳定性方面表现出色,因此成为光伏应用研究的热门目标。将机器学习(ML)技术整合到材料科学中,改变了新材料的发现和优化过程,包括用于光伏应用的NFA聚合物。各种理论建模技术也越来越常用于模拟适用于环境建模应用的有机材料的行为。本研究旨在利用ML技术加速下一代光伏设备的设计,通过开发基于分子图谱的NFA聚合物带隙映射方法来实现这一目标。通过设计2048位的分子指纹(编码聚合物的分子结构和性质),ML模型能够高效预测材料的带隙——这是判断其是否适合用于太阳能捕获的关键参数。通过自动化带隙预测过程,这种方法可以显著减少实验工作量,加快高性能材料的发现,并为NFA聚合物的结构-性质关系提供宝贵见解,从而推动更高效和可持续的光伏设备的发展。

数据处理与指纹识别

从文献中整理了一个包含NFA聚合物及其实验测得带隙(以电子伏特为单位)的数据集(表S1),以展示该数据集中的聚合物结构。为每个化合物计算了分子指纹,以捕捉相关的结构和电子属性。

分子指纹生成

为了生成分子指纹,我们使用RDKit包将重复单元转换为2048位的Morgan指纹,半径为3。

结果与讨论

使用R2(R2)、均方根误差(RMSE)和平均绝对误差(MAE)等指标评估了各种ML模型预测NFA聚合物带隙的性能(图S1)。结果显示,随机森林(RF)和Bagging模型的性能优于其他模型,其R2值分别为0.62和0.61,表明预测值与实际值之间存在中等至强的相关性。这些模型还表现出最低的RMSE和MAE。

结论

本研究开发了一种基于机器学习(ML)的分子图谱方法,用于绘制NFA聚合物的带隙。结果表明,ML模型(特别是随机森林模型)能够以合理的准确性预测NFA聚合物的带隙值。生成10,000种新的聚合物结构并识别出预测带隙最低的20种聚合物,为实验合成和表征提供了有价值的起点。

作者贡献声明

Sajjad H. Sumrra:撰写、审稿与编辑、可视化、监督、资源管理、数据分析、概念化。 Mamduh J. Aljaafreh:可视化、软件开发、资源管理、数据分析。 Abrar U. Hassan:撰写初稿、可视化、方法论设计、实验研究、数据管理。

利益冲突

作者声明在本文的发表过程中不存在任何利益冲突。

数据可用性

新设计的数据集(包括SALI和SA评分)以及设计的描述符数据已提供在补充文件中。其他所需数据可向相应作者索取。

资金声明

本研究得到了伊玛目穆罕默德·本·沙特伊斯兰大学(IMSIU)科学研究处的支持和资助(授权编号:IMSIU-DDRSP2502)。

利益冲突声明

? 作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号