基于机器学习的有机发色团设计：提升光伏效率

《ChemistrySelect》：Machine-Learning-Based Design of Organic Chromophores with Improved Photovoltaic Efficiency

本研究利用机器学习（ML）设计新型有机光捕获体，结合ITIC聚合物提升太阳能电池转换效率（PCE）。通过t-SNE可视化化学空间，发现六类设计特征，并揭示离子化势能（IP）是PCE预测的核心参数，使效率较实验值提升2.5%-3%。

　　

摘要

本研究旨在利用机器学习（ML）技术，基于高效的电子受体设计新型有机发色团。研究重点是通过与ITIC聚合物结合使用，提高光伏（PV）效率。通过运用先进的ML技术，我们系统地评估并选择了最佳的供体材料，开发出的新发色团的功率转换效率（PCE）比以往报道的实验值高出约2.5%–3%。本研究采用t分布随机邻域嵌入（t-SNE）方法对化学空间进行可视化分析，发现了六个不同的簇，这些簇凸显了发色团设计的多样性。此外，我们确定电离势（IP）是影响PCE预测的关键因素，为理解材料结构与性能之间的关系提供了宝贵的见解。这项工作推动了高效有机PV材料的设计，并有助于更深入地了解ML在材料科学中的应用。

图形摘要

机器学习（ML）指导了新型电子受体有机发色团的设计，用于光伏应用。我们的ML驱动方法识别出了最佳结构，使功率转换效率（PCE）相比以往的实验值提高了约2.5%-3%。通过t-SNE对化学空间进行分析，发现了六个不同的簇，这表明了设计的多样性，并证实了电离势是高性能材料的关键预测因子。

.

利益冲突

作者声明没有利益冲突。