Transfer learning discovery of molecular modulators for perovskite solar cells
Haoming Yan, Xinyu Chen, Yanran Wang, Zhengchao Luo, Weizheng Huang, Hongshuai Wang, Peng Chen, Yuzhi Zhang, Weijie Sun, Jinzhuo Wang, Qihuang Gong, Rui Zhu, Lichen Zhao
有效分子调节剂的发现对于推进钙钛矿太阳能电池(PSCs)至关重要,但研究过程受到化学空间广阔以及耗时且昂贵的试错实验筛选的阻碍。 同时,机器学习(ML)为加速材料发现提供了巨大的潜力。 然而,由于数据稀缺和传统定量结构-属性关系(QSPR)模型的局限性,将ML应用于PSC仍然是一个重大挑战。 在这里,我们应用了一个基于预训练深度神经网络的化学知情转移学习框架,该框架在预测分子调制器对PSCs的功率转换效率(PCE)的影响时实现了高精度。 该框架是通过对不同分子表征的系统基准测试建立的,使低成本和高通量虚拟筛选超过79,043个市售分子。 此外,我们利用可解释性技术来可视化学习的化学表征,并实验表征由此产生的调制器-钙钛矿相互作用。 该框架确定的顶级分子调制器随后通过实验验证,在PSCs中提供了26.91%的显着改进的冠军PCE。
The discovery of effective molecular modulators is essential for advancing perovskite solar cells (PSCs), but the research process is hindered by the vastness of chemical space and the time-consuming and expensive trial-and-error experimental screening. Concurrently, machine learning (ML) offers significant potential for accelerating materials discovery. However, applying ML to PSCs remains a major challenge due to data scarcity and limitations of traditional quantitative structure-property rela...