钙钛矿太阳能电池（pscs）的性能提升依赖于高效空穴传输材料（htms）的研发。传统htms设计依赖于实验者对htm结构的定性分析和模式识别，效率低下且缺乏对新材料机制的深入理解。该研究利用机器学习（ml）结合有机合成，开发了一种逆向设计工作流程，旨在加速高性能htms的发现，从而提升pscs的效率和商业竞争力。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
研究团队构建了一个包含13000个虚拟分子的数据库，并通过高通量（HT）平台合成、纯化和表征其中的分子。利用高斯过程（GP）回归作为贝叶斯优化（BO）的代理模型，该模型预测分子结构与PSCs性能（功率转换效率PCE、开路电压Voc、短路电流密度Jsc、填充因子FF等）之间的关系。贝叶斯优化策略平衡了探索和利用，选择最有潜力的分子进行合成和实验验证。
该模型利用多个分子描述符（包括分子统计、理论计算特征和几何性质）进行训练。通过两次闭环迭代优化，该模型成功预测并合成了多个性能优于现有材料的HTMs，其中6个分子的PCE超过了PTAA（参考材料）的器件性能。 模型分析显示，合成产物的纯度和HOMO（最高占据分子轨道）是影响PCE的关键因素。
这项研究展示了ML在加速新型高性能HTMs发现中的巨大潜力，为提升钙钛矿太阳能电池的效率提供了新的途径。未来，团队计划将材料发现和器件优化集成到一个无缝的闭环流程中，进一步提升效率。
相关报道：https://www.php.cn/link/c9cd5d2b279e1d9f873b368939017009
原文链接：https://www.php.cn/link/afab9e1401c7c4b559e2723add38e05a
