新的机器学习计划可加速清洁能源的产生

从《终结者》和《银翼杀手》到《黑客帝国》，好莱坞教会我们警惕人工智能。但是，算法可能无法解决气候危机带来的至少一个问题，而不是将我们的命运注定在大屏幕上。

ARC激子科学卓越中心的研究人员成功创建了一种新型的机器学习模型，以预测可用于下一代有机太阳能电池的材料(包括“虚拟”化合物)的功率转换效率(PCE)。还不存在。

与某些费时和复杂的模型不同，最新方法快速，易于使用，并且所有科学家和工程师均可免费获得该代码。

开发更有效，更易用的模型的关键是，用需要分析的分子的更简单且化学可解释的特征描述子代替复杂的，计算量大的参数，这些参数需要进行量子力学计算。它们提供了有关影响PCE的材料中最重要的化学片段的重要数据，从而生成可用于设计改良材料的信息。

当对可再生能源的需求及其在减少碳排放方面的重要性比以往任何时候都高时，这种新方法可能有助于大大加快设计效率更高的太阳能电池的过程。该结果已发表在《自然》杂志《计算材料》上。

经过数十年依赖相对昂贵且缺乏灵活性的硅之后，越来越多的注意力转向有机光伏(OPV)太阳能电池，这种太阳能电池将通过使用印刷技术制造得更便宜，并且用途更广，更易于处置。

一个主要的挑战是分拣大量可以合成(由科学家量身定制)用于OPV的潜在合适化合物。

研究人员曾尝试使用机器学习来解决此问题，但是其中许多模型很耗时，需要强大的计算机处理能力，并且难以复制。而且，至关重要的是，它们没有为寻求建造新太阳能设备的实验科学家提供足够的指导。

现在，由RMIT大学的Nastaran Meftahi博士和Salvy Russo教授领导的工作，以及莫纳什大学的Udo Bach教授的团队，已经成功地应对了许多挑战。

纳斯塔兰说：“其他大多数模型都使用电子描述符，这些描述符很复杂且计算量很大，而且化学上无法解释。”

“这意味着实验化学家或科学家无法从这些模型中获得构想，以在实验室中设计和合成材料。如果他们查看我的模型，因为我使用了化学上可解释的简单描述符，他们就可以看到重要的碎片。”

Nastaran的工作得到了CSIRO Data 61，莫纳什大学，拉筹伯大学和诺丁汉大学的合著者Dave Winkler教授的大力支持。温克勒教授共同创建了BioModeller程序，该程序为新的开源模型提供了基础。

通过使用它，研究人员已经能够得出可靠且可预测的结果，并且除其他数据外，还可以生成受检查的分子标记与未来OPV设备效率之间的定量关系。

Nastaran和她的同事们现在打算扩大工作范围，以包括更大，更准确的计算和实验数据集。