Органические фотоэлектрические элементы обеспечивают прямой и экономичный способ преобразования солнечной энергии в электричество. Исследования органических элементов претерпели быстрый рост, а эффективность преобразования энергии превысила 17%. До настоящего времени основное внимание в исследованиях было сосредоточено на построении взаимосвязи между новой молекулярной структурой элемента и его фотогальваническими свойствами. Этот процесс включает в себя:
- проектирование и синтез фотогальванических материалов,
- определение характеристик оптоэлектронных свойств материала,
- сборку и оптимизацию фотогальванических элементов.
Традиционный подход требует тонкого контроля химического синтеза и изготовления оборудования, трудоемких очистных и экспериментальных мероприятий, затрат ресурсов и длительного исследовательского цикла. Таким образом, разработка органического фотоэлектрического элемента считается неэффективной и медленной, например, только менее 2000 молекул-доноров были синтезированы и протестированы в фотогальванической ячейке со времени первого доклада в 1973 году. Тем не менее, эти данные, полученные в результате десятилетий исследований, бесценны. К сожалению, до сих пор их потенциальная ценность не использовалась при поиске высокоэффективных материалов для преобразования солнечной энергии.
Машинное обучение.
Для извлечения полезной информации требуется сложная программа, которая может сканировать через большой набор данных и извлекать связи между функциями. Машинное обучение предоставляет набор вычислительных инструментов, которые способны:
- обучать и распознавать закономерности и взаимосвязи,
- предсказывать результаты или принимать решения,
- уменьшать размер набора данных на основе минимизации ошибок (или вероятностных правил, используя набор данных обучения.
Такой основанный на фактических данных подход предсказывает широкий спектр свойств материалов без необходимости фундаментального понимания химии или физики, лежащих в основе этих свойств. Методы, основанные на машинном обучении, нашли большой успех в прогнозировании активности материалов, открытии новых элементов, разработки лекарственных препаратов и дизайна материалов. Соответствующие выражения химических структур считаются еще одним предварительным условием для применения машинного обучения к обнаруженным материалам. В связи с этим, развитие хим-информатики создало полезный инструментарий, который предшествовал применению машинного обучения. Например, молекулярные отпечатки появились вместе с развитием поиска сходства в медицинской химии в 1980-х годах.
Применение машинного обучения на месторождении органических фотоэлектрических элементов также было изучено в последние годы. Например, Пайзер-Кнапп и его помощники обучили искусственную нейронную сеть (ИНС) прогнозированию пограничных молекулярных орбит и получили хорошую точность. Их данные были взяты из Гарвардского проекта чистой энергии (КЭП), в котором химические структуры этих молекул были получены из 26 основных строительных блоков по теоретическим расчетам.
Они использовали свернутую нейронную сеть, данные КЭП для прогнозирования и достигли 91,02% точности предсказания. Используя отпечатки системы молекулярного доступа (MACCS) и значение самой высокой занятой молекулярной орбиты, разрыв полосы пропускания и молекулярный вес для описания молекул, их четырехклассная классификационная модель получила точность 48%.
Молекулярные отпечатки.
Тем не менее, остается несколько недостатков в применении машинного обучения для скрининга материалов органического преобразования. Например, химические структуры реалистичных молекул намного сложнее по сравнению с химическими структурами чистой энергии. Различия в структуре могут привести к неточным прогнозам машинного обучения. Кроме того, микроскопические свойства молекул получены из высокоточных квантовых расчетов. Высокие вычислительные затраты на эти расчеты делают их несовместимыми для быстрого виртуального скрининга. Поэтому для одновременного достижения быстрого скрининга и высокой точности прогнозирования срочно требуется точный и легкодоступный язык программирования выражения молекул. Надежность этих методов должна быть проверена экспериментально с использованием новых материалов, особенно на ранних стадиях такого нового подхода.
Для определения подходящего языка программирования экспрессии молекул протестировали различные типы выражений, включая изображения, два типа дескрипторов и семь типов молекулярных отпечатков. Дескрипторы используются для классификации материалов на "низкие" и "высокие" характеристики. Отпечатки привели к лучшей производительности, а их длина оказала заметное влияние на точность прогнозов. Кроме того, для классификации использовали различные алгоритмы машинного обучения.
Заключение.
Для построения моделей машинного обучения используются различные выражения языка программирования молекул доноров, включая изображения, дескрипторы и молекулярные отпечатки. Они строятся на основе базы данных, содержащей реалистичные донорские материалы, с целью прогнозирования соответствующего класса органических фотоэлектрических элементов. Молекулярные отпечатки длиной более 1000 бит обеспечивают выражения языка программирования молекул доноров благодаря своей четкости и легкости доступа.
Установлено, что радиочастотный алгоритм способен обрабатывать сложные и длинные входы, даже при наличии шума. Наконец, был проведен эксперимент с целью доказать надежность таких подходов к машинному обучению. То есть, большое количество донорских материалов может быть проверено с помощью предварительной оценки и классификации по этой модели. А затем отобранные ведущие кандидаты будут синтезированы и протестированы в экспериментальном порядке. Исследование взаимосвязи между химической структурой молекулы и эффективности преобразования энергии на основе молекул может ускорить разработку новых донорских материалов. Это ускорить процесс разработки органических фотоэлектрических материалов с высоким содержанием энергии.