基于分子指纹及机器学习回归模型的有机光伏材料效率预测
来源期刊:材料导报2021年第8期
论文作者:郑玉杰 梁鑫斌 张起 孙文博 施童超 杜鹃 孙宽
文章页码:8207 - 8212
关键词:有机太阳能电池;给体材料;光电转换效率预测;机器学习;分子指纹;回归模型;
摘 要:有机太阳能电池(OPV)的发展依赖于新型高效OPV材料的开发。近几年来,为解决传统有机太阳电池材料开发模式低效的问题,机器学习辅助OPV材料开发的新模式得到了广泛的关注。本工作提出一种结合分子指纹和机器学习回归模型的新方法,实现了OPV给体材料光电转换效率的快速预测。基于从文献中收集的给体材料数据库,系统地比较了不同分子指纹作为各种机器学习模型输入的预测精度。结果表明,Morgan分子指纹与随机森林模型的组合在决定系数指标下性能最优,而Hybridization分子指纹与支持向量机模型的组合在平均绝对误差指标下性能最优。同时,各模型的预测精度随着分子指纹的位数增加而提高。该方法可广泛用于新设计的OPV材料的快速初筛,从而提升新型OPV材料的研发速度,促进高性能OPV的快速发展。
郑玉杰1,梁鑫斌1,张起1,孙文博1,施童超2,3,杜鹃2,3,孙宽1
1. 重庆大学能源与动力工程学院低品位能源利用技术及系统教育部重点实验室2. 中国科学院上海光学精细机械研究所高场激光物理国家重点实验室3. 中国科学院大学材料科学与光电子工程中心
摘 要:有机太阳能电池(OPV)的发展依赖于新型高效OPV材料的开发。近几年来,为解决传统有机太阳电池材料开发模式低效的问题,机器学习辅助OPV材料开发的新模式得到了广泛的关注。本工作提出一种结合分子指纹和机器学习回归模型的新方法,实现了OPV给体材料光电转换效率的快速预测。基于从文献中收集的给体材料数据库,系统地比较了不同分子指纹作为各种机器学习模型输入的预测精度。结果表明,Morgan分子指纹与随机森林模型的组合在决定系数指标下性能最优,而Hybridization分子指纹与支持向量机模型的组合在平均绝对误差指标下性能最优。同时,各模型的预测精度随着分子指纹的位数增加而提高。该方法可广泛用于新设计的OPV材料的快速初筛,从而提升新型OPV材料的研发速度,促进高性能OPV的快速发展。
关键词:有机太阳能电池;给体材料;光电转换效率预测;机器学习;分子指纹;回归模型;