J. Phys. Chem. Lett.┃人工智能辅助的有机光伏材料设计

英文原题：Artificial Intelligence Designer for Highly-Efficient Organic Photovoltaic Materials

通讯作者：孙宽，重庆大学；陆仕荣，肖泽云，中科院重庆绿色智能技术研究院

作者：Wenbo Sun (孙文博), Yujie Zheng, Qi Zhang, Ke Yang, Haiyan Chen, Yongjoon Cho, Jiehao Fu, Omololu Odunmbaku, Akeel A. Shah, Zeyun Xiao, Shirong Lu, Shanshan Chen, Meng Li, Bo Qin, Changduk Yang, Thomas Frauenheim, and Kuan Sun

近年来，有机光伏（OPV）经历了快速发展，并成为一种具有商业应用潜力的可再生能源技术。目前，使用聚合物给体材料的OPV器件的光电转换效率（PCE）已超过18%，基于小分子给体材料的PCE已超过15%。在现阶段，基于人工经验的试错法仍然是设计新分子的主要方法。然而这种传统方法具有一定的主观性和随机性。尽管投入了大量的资源和时间，仍难以有针对性地获得高性能材料。通常来说，OPV 材料由具有不同功能的单元组成，例如给体和受体单元、侧链、端基等。通过对这些功能单元的适当组合和修饰可以提高材料的性能。因此，识别出有利于高性能的关键单元并建立子结构与性能之间的关系对于新材料的开发至关重要。与实验方法不同，机器学习能够提供有效的预测模型，并基于大数据分析输入特征的重要性，避免耗时的高通量实验。

最近，重庆大学的柔性可再生能源材料与器件团队与中科院重庆绿色智能技术研究院、韩国蔚山科技大学、德国不莱梅大学的多个团队合作，应用机器学习主动设计高性能有机光伏给体材料。作者首先设计了一种可以描述OPV给体材料子结构的分子指纹，并利用机器学习模型对分子指纹进行重要性分析从而确定了对PCE影响最大的16个关键单元。通过关键单元的组合拼接，生成了一个由18960个小分子给体材料组成的分子库。这些全新的给体材料通过机器学习的进一步筛选及第一性原理计算验证，最终获得了20个未报道过的高效给体分子。当它们与非富勒烯受体材料Y6匹配时，性能最佳的分子表现出高于15%的预测PCE。DFT计算结果证明了新分子具有高效载流子输运能力。通过这项工作，机器学习的应用模式从被动转变为主动，即从被动筛选材料转变为主动设计新材料。该工作探索了未来材料开发的新模式，对有机太阳能电池的加速发展具有指导意义。

文章亮点

• 提出基于人工智能的材料设计流程。建立了机器学习模型，成功识别出高兴能材料设计的关键结构因素，并通过关键子结构的拼接组合预测了全新的高效率分子，通过新分子筛选，有望获得高性能新材料。

• 机器学习的应用模式从被动筛选新材料转换为主动发现关键结构并生成新材料，拓展了机器学习在材料设计的应用。

• 在有机光伏给体材料的开发过程中使用了该设计方法，获得了预测光电转换效率超过15%的小分子给体材料，采用第一性原理计算进一步验证了高性能分子的应用潜力。

内容介绍

图1. 基于人工智能的高性能有机光伏材料设计流程图。

材料设计流程如图1所示。该框架共包含四步，每步具有不同的功能。即：① 识别对器件性能影响较大的子结构；② 使用已识别的关键单元构建新分子；③ 筛选新分子；④ 预测使用新分子作为给体材料及Y6作为受体材料的OPV器件的PCE值。该框架首先起始于一个 OPV 给体材料数据库的建立。该数据库包含了 1758 种已通过实验报道的给体材料。在第一步中，作者设计了可以表达OPV给体材料中6180种不同子结构/片段的分子指纹来实现片段的重要性分析。通过这种有针对性的特征工程，可确定对PCE产生重大影响的关键基本单元。随后在第二步，通过在两个主链骨架上重新组合关键单元，生成了一个新材料虚拟库。在第三步中，使用不同的机器学习算法，包括人工神经网络 (ANN)、梯度提升回归树 (GBRT)、随机森林 (RF) 和支持向量回归 (SVR)，并通过OPV给体材料数据库进行回归模型的训练和优化。最好的模型用于筛选新材料。在最后一步中，将筛选后的候选给体材料与受体Y6分子进一步匹配，并通过机器学习获得其预测的PCE值。当这四部分协同工作时，该材料设计框架能够自行设计和构建潜在的高性能 OPV 材料。

图2. 生成 La FREMD 分子指纹的过程。(a) 拆分分子的示意图。(b) 通过拆分分子获得的子结构片段。OPV给体材料数据库中的分子进行拆分后产生了6180个不同的子结构片段。(c) 通过检查分子是否包含有每个子结构，可获得 6180 位的La FREMD分子指纹。

材料的性质取决于其化学结构。分子指纹是一种以位阵列的形式描述材料的典型子结构或基元的常用方法。然而，在现有的和经常使用的分子指纹类型中仍存在一个问题，即大多数指纹是无法追踪溯源的，因为特定的子结构或基元经过Hash散列以提供不同的指纹位。这意味着分子指纹每一位的定义，即每一位对应着何种原子、键和子结构的信息是无法获得的。到目前为止，仅有少数几种可追踪的指纹，例如MACCS和Pubchem。然而它们具有较短的指纹长度，因此只能表达有限范围的子结构或基元。这使得它们不适合对重要基元进行广泛的搜索。为了确定与高PCE高度相关的单元，作者设计了一个独特且可追溯的分子指纹，该指纹可以反映OPV给体材料中存在的子结构。分子指纹的生成过程如图2所示。

为了分析哪些子结构在贡献高PCE中起重要作用，作者使用PCE分类界限为8％的RF分类模型对所有给体材料进行了特征重要性分析评估。通过确定每个特征（即指纹的每一位）对RF的每个决策树的贡献并在分类过程中将它们平均化，可以估算特征的重要性。较大的重要性意味着RF在确定给体材料是具有高性能 (PCE ≥ 8%) 或低性能 (PCE < 8%) 时更依赖于该特定片段。此外，作者定义了一个称为“频率差异”的参数，并采用了统计方法对数据进行分析。分别统计了高性能（PCE ≥ 8%）和低性能（PCE < 8%）给体材料中所有片段出现的频率，然后使用片段在高性能材料中出现的频率减去其在低性能材料中出现的频率来计算频率差。显然，正的频率差表示在高性能材料中更有可能发现这些片段，反之亦然。可以推断出，具有较高频率差的片段是区分高性能和低性能材料的关键，这意味着它们对PCE的影响更大。

图3. 识别用于新材料设计的重要子结构。(a) 通过RF进行的子结构重要性分析及统计分析结果。(b) 通过重要性分析确定的具有不同功能的关键单元化学结构。(c) 用于生成新分子的主链骨架结构和组合规则。

由机器学习模型识别的15个最重要的子结构的重要程度在图3a中以蓝色柱子显示，而频率差异值由红色柱子表示。通过比较重要性及其对应的频率差可以发现，除206位以外的所有其他14个关键位均具有较高的正频率差。简而言之，RF的重要性分析结果和统计结果的一致性证明了机器学习可以在没有任何人工指导和相应背景知识的情况下通过大数据找到对目标性能产生重要影响的片段。基于机器学习模型的发现，作者进一步获得了16个重要的用于构建分子的单元（如图3b所示）。根据它们的功能可以将它们分为6类，即给体（Donor，D），受体（Acceptor，A），π桥（π-spacer，π），末端（Terminal，T），侧链（Side Chain，S）和修饰（Modification，M）单元。图3c显示了两种类型的分子骨架结构，分别使用了通过重要性分析确定的两个给体单元作为核心。分子中具有不同下标的R基团起着不同的作用，例如可以改善给体/受体界面以及电荷转移的核心上的烷基链修饰（位于R₁位置）；可以增强光子吸收的额外给体或受体单元（位于R₂，R₃处）；有利于电荷转移并使激子复合最小化的π桥（位于R₂，R₃，R₄，R₅处）和末端单元（位于位置R₅）。同时，侧链和修饰元素可以添加到π桥、给体和受体单元上以分别改善溶解度和调节能级。根据这些规则，不同的单元通过在两个主链的不同位置进行随机组合，并最终获得了一个包含18960个全新给体分子的虚拟数据库。

图4. 两种主链中最有前景的分子。(a) CQ15和CQ20的化学结构。(b) CQ15和CQ20的电子结构。

经过机器学习模型的进一步筛选和性能预测后，基于两种主链骨架的最具前景的给体分子（如图4a所示）在与受体材料Y6结合后均表现出超过15%的预测PCE。作者使用第一性原理计算进一步对分子 CQ15 和 CQ20进行验证。首先检查了新给体分子和受体 Y6 之间的兼容性。两个分子均具有适当的HOMO和LUMO水平以确保它们与受体材料Y6进行匹配。此外，两个分子的电子结构如图4b所示。通常来说，具有跨越分子整个主链骨架的 HOMO 轨道的材料被认为具有高效载流子传输的性质。CQ15和CQ20的HOMO沿主链的整个长度离域分布，表明它们具有高效载流子运输的潜力。此外，CQ15和CQ20的 HOMO和LUMO之间的显着重叠可以提高吸收系数。这些结果表明它们适合作为 OPV 给体材料。

综上，作者提出并开发了一种基于人工智能快速设计和筛选高性能 OPV 给体材料的方法。通过机器学习从大数据中学到的知识而不是人为经验可生成全新的材料，同时第一性原理计算验证了材料具有作为高效OPV材料的潜力。该方法拓展了机器学习在有机光伏材料设计的应用，对加速材料优化具有指导意义，有望助力有机太阳能电池的进一步发展。

原文（扫描或长按二维码，识别后直达原文页面，或点此查看原文）：

Artificial Intelligence Designer for Highly-Efficient Organic Photovoltaic Materials

Wenbo Sun, Yujie Zheng, Qi Zhang, Ke Yang, Haiyan Chen, Yongjoon Cho, Jiehao Fu, Omololu Odunmbaku, Akeel A. Shah, Zeyun Xiao*, Shirong Lu*, Shanshan Chen, Meng Li, Bo Qin, Changduk Yang, Thomas Frauenheim, and Kuan Sun*

J. Phys. Chem. Lett., 2021, 12, 8847–8854, DOI: 10.1021/acs.jpclett.1c02554

Publication Date: September 8, 2021

Copyright © 2021 American Chemical Society

重庆大学柔性可再生能源材料与器件课题组介绍

柔性可再生能源材料与器件课题组成立于2019年，依托单位为重庆大学能源与动力工程学院，所属学院的低品位能源利用技术及系统教育部重点实验室。拥有一支由教授、副教授、青年教师、工程师、博士生和硕士生组成的四十多人研究团队。近年来的工作方向集中于光伏材料、热电材料、导电高分子、光热转换材料、柔性储能材料等，期待与同行专家的交流合作。

课题组网站：

https://www.x-mol.com/groups/LaFREMD 

（本稿件来自ACS Publications）