通过预训练图神经网络和生成式强化学习加速高效有机光伏材料发现
机器学习
2025-04-01 v1
摘要
有机光伏 (OPV) 材料为实现经济高效的太阳能利用提供了广阔途径，但优化 donor-acceptor (D-A) 组合以实现高功率转换效率 (PCE) 仍是重大挑战。本文提出一种框架，集成大规模预训练图神经网络 (GNN) 与 GPT-2 (Generative Pretrained Transformer 2) 基的强化学习 (RL) 策略，用于设计潜在高 PCE 的 OPV 分子。该方法产生的候选分子预测效率接近 21%，尽管需进一步实验验证。此外，我们对结构片段进行初步分析，识别 RL 模型识别的结构动力学，可能促进 PCE 提升，从而为更广泛的研究社区提供设计指南。为促进持续发现，我们正在构建目前规模最大的开源 OPV 数据集，预计将包含近 3000 对 donor-acceptor 配对。最后，我们讨论了与实验团队合作合成和表征 AI 设计分子的计划，这将为新数据提供，以细化和改进我们的预测与生成模型。
引用
@article{arxiv.2503.23766,
title = {Accelerating High-Efficiency Organic Photovoltaic Discovery via Pretrained Graph Neural Networks and Generative Reinforcement Learning},
author = {Jiangjie Qiu and Hou Hei Lam and Xiuyuan Hu and Wentao Li and Siwei Fu and Fankun Zeng and Hao Zhang and Xiaonan Wang},
journal= {arXiv preprint arXiv:2503.23766},
year = {2025}
}
备注
AI for Accelerated Materials Design - ICLR 2025