基于BP量子点与机器学习协同优化的PTB7-Th:PC71BM有机光电探测器性能突破

本研究针对有机光电探测器(OPD)的性能优化难题，来自国内的研究团队通过将黑磷量子点(BPQDs)掺入PTB7-Th:PC71BM活性层，结合氧化石墨烯(GO)空穴传输层和PDINO电子传输层，开发出高性能OPD器件。该器件实现了0.33 A/W的响应度和3.35×1012 Jones的探测率，能量转换效率达11.75%。机器学习辅助优化表明随机森林回归预测精度最佳(R2=0.9108)，特征重要性分析揭示活性层厚度(t-active)和空穴传输层厚度(t-htl)是关键参数，为有机光电器件设计提供了新范式。

　　

有机光电探测器(OPD)因其柔性结构、高性能和低成本制备潜力，成为新一代光电器件的研究热点。研究人员开发了一种新型OPD结构：采用PTB7-Th:PC71BM作为基质材料并掺入黑磷量子点(BPQDs)，以氧化石墨烯(GO)作为空穴传输层(HTL)，PDINO作为电子传输层(ETL)。优化后的器件表现出0.33 A/W的响应度和3.35×10¹² Jones的探测率，其短路电流密度(J_sc)达19.35 mA/cm²，开路电压(V_oc)为0.89 V，填充因子(FF)达68.06%，在AM 1.5G光照条件(100 mW/cm², 300 K)下实现了11.75%的功率转换效率(PCE)。BPQDs的引入显著提升了电荷传输能力并抑制了复合过程，从而优化了器件性能。机器学习辅助建模显示集成算法能有效提升光电探测器响应度的预测精度，其中随机森林回归表现最优（MSE:0.0001362, RMSE:0.0117, R²:0.9108），XGBoost次之(R²:0.9028)。特征重要性分析表明活性层厚度(t-active)和HTL厚度(t-htl)是最关键参数，该研究证明了仿真与机器学习相结合在有机光电探测器优化设计中的重要作用。