
-
生物通官微
陪你抓住生命科技
跳动的脉搏
机器学习驱动的有机光伏材料"预测-验证"工作流:P3HT:PCBM电池的高效筛选与实验验证
《Scientific Reports》:Bridging predictive machine learning modeling with experimental fabrication of organic solar cells
【字体: 大 中 小 】 时间:2026年09月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要将机器学习整合至有机光伏研究中,提供了一套面向高效参数筛选的系统框架;然而,这些计算模型在制造过程中的物理验证仍是一大障碍。本研究提出了一种“预测 - 验证”工作流,旨在弥合材料信息学与可持续实验室规模制备之间的鸿沟。尽管以往模型展示了从外部数据集中可靠预测未见过器件的能
将机器学习整合至有机光伏研究中,提供了一套面向高效参数筛选的系统框架;然而,这些计算模型在制造过程中的物理验证仍是一大障碍。本研究提出了一种“预测 - 验证”工作流,旨在弥合材料信息学与可持续实验室规模制备之间的鸿沟。尽管以往模型展示了从外部数据集中可靠预测未见过器件的能力,但其筛选最佳组分的能力尚未在真实制造环境中得到验证。我们利用这些机器学习模型设计并对 P3HT:PCBM 太阳能电池进行物理验证。我们仅通过两次实验迭代便实现了最佳器件配置,减少了传统试错过程中的材料消耗。为了将固有降解机制与大气变量区分开来,我们在 30 天的时间跨度内对封装器件进行了评估。梯度提升、随机森林、神经网络和多元线性模型的功率转换效率预测值与制备出的电池进行了对比评估。梯度提升方法实现了最优的中短期预测,相对误差约为 5%,而后期降解边界(低于初始效率的 80%)始终保持在 20–30% 的偏差范围内。为了确保完全的可复现性,所有数据集和文档均在 GitHub 上公开可访问。