用于钙钛矿太阳能电池有机分子添加剂筛选的机器学习副驾驶
机器学习
2024-12-19 v1 材料科学
应用物理
摘要
机器学习（ML）已被广泛用于平面钙钛矿光伏中筛选有效的有机分子添加剂，但由于数据集小且依赖预定义描述符，在预测新材料时存在偏差。因此，当前工作提出了一种有效方法——Co-Pilot for Perovskite Additive Screener（Co-PAS），这是一个ML驱动的框架，旨在加速钙钛矿太阳能电池（PSC）的添加剂筛选。Co-PAS通过集成分子支架分类器（MSC）进行基于支架的预筛选，并利用连接树变分自编码器（JTVAE）潜在向量增强分子结构表示，从而克服预测偏差，提高功率转换效率（PCE）预测的准确性。利用Co-PAS，我们整合领域知识，从PubChem中筛选了250,000个分子的广泛数据集，基于预测的PCE值和关键分子性质（如供体数、偶极矩和氢键受体计数）对候选物进行优先级排序。该工作流程识别出几种有前景的钝化分子，包括新型的Boc-L-苏氨酸N-羟基琥珀酰亚胺酯（BTN），据我们所知，该分子尚未被探索作为PSC添加剂，并实现了25.20%的器件PCE。我们的结果强调了Co-PAS在推动高性能PSC添加剂发现方面的潜力。
引用
@article{arxiv.2412.14109,
title = {Machine Learning Co-pilot for Screening of Organic Molecular Additives for Perovskite Solar Cells},
author = {Yang Pu and Zhiyuan Dai and Yifan Zhou and Ning Jia and Hongyue Wang and Yerzhan Mukhametkarimov and Ruihao Chen and Hongqiang Wang and Zhe Liu},
journal= {arXiv preprint arXiv:2412.14109},
year = {2024}
}