導讀
近日，日本大阪大學的團隊利用計算機的強大能力，在機器學習算法的幫助下，自動化搜索匹配的太陽能電池材料。未來，這項研究將有助於大幅提升太陽能電池的效率。
背景
太陽能，屬於一種典型的可再生能源，具有清潔環保、可再生、易獲取、低成本等眾多優點，受到了科學界與產業界的廣泛重視。時下，有關太陽能的前沿創新技術不斷湧現，筆者之前也介紹過許多有關太陽能的創新成果，這裡就不一一列舉了。
在太陽能技術中，太陽能電池扮演著非常關鍵的角色。有機光伏電池（OPV）是一種很有前景的太陽能電池，它主要是依靠一種吸收光線的有機分子與一種半導體聚合物的結合。
有機光伏電池由廉價且輕量的材料製成，並具有安全性好以及容易生產的優點。可是，它們的能量轉換效率（PCE），也就是將光線轉化為電力的能力，還是遠遠無法滿足全面商業化的要求。
能量轉換效率既取決於有機層，也取決於聚合物層。傳統的做法是，化學家們會對這些不同的組合反覆進行實驗，但是這樣會浪費大量的時間與精力。
創新
近日，日本大阪大學的團隊利用計算機的強大能力，在機器學習算法的幫助下，自動化搜索匹配的太陽能材料。未來，這項研究將有助於大幅提升太陽能電池的效率。相關論文發表於《The Journal of Physical Chemistry Letters》雜誌。
技術
論文第一作者 Shinji Nagasawa 表示：“聚合物的選擇會影響一些特性，例如短路電流，它將直接決定能量轉換效率。然而，目前還沒找到一種簡單的方法設計出性能得到改善的聚合物。傳統的化學知識還是不夠，取而代之的是，我們採用人工智能來指導設計過程。”
採用人工智能的方法甄選材料，這並非是首次。筆者之前介紹過兩個典型的例子，這裡帶順便帶大家回顧一下。
1）美國西北大學和洛斯阿拉莫斯國家實驗室的科研人員開發出一種新型方案，它結合了機器學習和密度泛函理論計算，成為具有鐵電性和壓電性等特殊電子特性的新材料的設計指南。
2）美國斯坦福大學的研究人員在尋找固體電解質材料的過程中，並不是通過隨機測試個別化合物的方法，而是採用了人工智能和機器學習，通過實驗數據構造預測模型。
讓我們再回到今天介紹的案例中。信息學，可以發現人類專家無法搞清楚的統計趨勢，從而理解複雜的大型數據集。在大約500項研究中，團隊採集了1200個有機光伏電池上的數據。他們採用“隨機森林”機器學習算法構建出一個模型，模型結合了之前這些有機光伏電池的帶隙、分子重量、化學結構以及它們的能量轉換效率，預測潛在的新型設備的效率。
下圖所示：聚合物太陽能電池中的光電轉換和活性材料的化學結構。
隨機森林揭示出材料特性與它們在有機光伏電池中實際性能之間改善的相關性。為了利用這種相關性，模型可根據它們理論的能量轉換效率自動“篩選”有前景的聚合物。然後基於對於那些可以實際人工合成的材料的化學直覺力，篩選出最佳的候選材料。
下圖所示：採用材料信息學為聚合物太陽能電池探索新的聚合物。（上）由電子給體、電子受體和烷基鏈組成的聚合物結構示例。（中）隨機森林法進行分類。（下）材料信息學、實際實驗和人工智能的協同合作。
這種策略引導團隊創造出一種之前未經測試的新型聚合物。實際情況是，一種基於這種首次嘗試的實用的聚合物有機光伏電池，比期望的效率要低。然而，模型為結構與特性之間的關係提供了有價值的見解。如果包含更多的數據，例如聚合物在水中的溶解性或者主鏈的規則性，將改善預期效果。
下圖所示：採用隨機森林法篩選烷基鏈的示例
價值
論文作者 Akinori Saeki 表示：“機器學習將顯著加速太陽能電池的開發，因為它可以瞬間預測出結果，而在實驗室則需要花費幾個月的時間。它並非直接取代人的因素，而是當分子設計師必須選擇哪條途徑來探索的時候，提供關鍵的支持。”
關鍵字
聚合物、機器學習、光伏、太陽能電池
【1】http://resou.osaka-u.ac.jp/en/research/2018/20180508_1
【2】Shinji Nagasawa, Eman Al-Naamani, Akinori Saeki. Computer-Aided Screening of Conjugated Polymers for Organic Solar Cell: Classification by Random Forest. The Journal of Physical Chemistry Letters, 2018; 9 (10): 2639 DOI: 10.1021/acs.jpclett.8b00635
閱讀更多 環球創新智慧 的文章
