基于端到端深度学习的有机光伏材料光电转化效率预测
碳中和背景下,亟需开发高效清洁的新型能源,以减少对化石能源的依赖.有机光伏材料作为一种可将太阳能或其他光能直接转化为电能的材料,日益成为一种具有重大应用前景的低碳能源材料.在探索新的高性能有机光伏材料的过程中,机器学习虽然能够提高材料设计效率,但其预测能力极大受制于描述符的开发和选取.利用循环神经网络、卷积神经网络、图神经网络等算法,构建端到端的深度学习模型预测有机光伏材料光电转化效率,所建模型可直接从SMILES符号、分子图像、分子图网络中提取化合物结构信息,而无须人为开发和选取描述符.所得模型不仅能够较为准确地预测有机光伏材料的光电转化效率(其中最优模型五折交叉验证结果和测试集预测结果决定系数均>0.73),而且能够识别影响转化效率的关键结构特征.该研究结果可为新型环境功能材料设计提供理论参考.
碳中和、有机光伏材料、机器学习、环境功能新材料设计、低碳能源
40
TP391.41;TP181;F224
国家自然科学基金;国家自然科学基金
2022-09-20(万方平台首次上网日期,不代表论文的发表时间)
共6页
188-193