通过机器学习辅助的结构修饰和实验验证，设计用于有机太阳能电池的简单结构共轭聚合物

《Digital Discovery》：Design of simple-structured conjugated polymers for organic solar cells by machine learning-assisted structural modification and experimental validation

机器学习辅助设计简单结构p型聚合物BO1，BO2和BO1Ph的合成与OPV性能研究表明，BO2:Y6器件PCE达5.56%，验证了ML预测的有效性，同时揭示了结晶性、电荷传输与光吸收匹配对性能的影响。

　　有机光伏（OPV）因其轻质、柔性和低毒性等优势，成为一种具有广泛应用前景的能源技术。然而，提升OPV的性能，关键在于开发新型的p型聚合物和n型非富勒烯受体（NFA）分子。尽管传统实验和理论方法在探索广泛的化学空间时效率较低，近年来，机器学习（ML）技术被广泛应用于高效、低成本的材料开发，为OPV研究提供了新的方向。

在本研究中，我们采用机器学习方法对约20万种虚拟生成的简单结构p型聚合物进行了筛选，并结合合成可及性（SA）和预测的功率转换效率（PCE）进行评估。我们特别关注由苯并二氧唑（BO）和噻吩（或苯基）作为供体和受体单元组成的共聚物。尽管这些共聚物的结构与高效率的PTQ10相似，但为了便于合成，我们对其结构对称性进行了调整。通过合成这些聚合物并将其与Y6型NFA混合，我们发现其中一种经过轻微人工调整的聚合物，其PCE达到了5.56%，这一结果与机器学习预测值接近，为未来开发具有低成本和低合成复杂度的新聚合物提供了理论依据。

本研究中，我们首先对约20万种虚拟生成的聚合物进行了机器学习预测，评估了其PCE。在这一过程中，我们使用了随机森林算法，并结合了实验数据和虚拟生成的失败数据来优化模型。模型经过五折交叉验证后，相关系数达到了0.84，表明其预测能力较高。我们选择的简单结构定义为“重复单元的分子量较小”，并在此基础上筛选出六种候选材料。其中，BO1因其合成步骤较少和良好的溶剂化能力被选为实验研究对象。通过实验合成和性能测试，我们发现BO1与Y6混合后的OPV器件的PCE为3.12%，虽然低于预测值6.09%，但验证了我们的研究方法。

为了进一步提升BO1与高效率NFA的匹配性，我们对BO1的结构进行了人工修改，得到了两种改进版本：BO2（延长烷基链）和BO1Ph（将噻吩替换为苯基）。BO2的PCE提升至5.56%，与机器学习预测值6.02%接近，这表明延长烷基链有助于提高聚合物的溶解性和与Y6的相容性，同时改善了载流子迁移率的平衡。而BO1Ph虽然在光吸收谱上与Y6具有良好的互补性，并且其开路电压（Voc）有所提高，但其填充因子（FF）和短路电流密度（Jsc）较低，导致PCE仍然不理想。这表明，尽管BO1Ph在某些性能方面表现良好，但在载流子迁移率和结构取向方面仍存在不足，影响了其整体性能。

我们进一步分析了BO1、BO2和BO1Ph的合成复杂度和合成可及性。合成可及性作为衡量合成成本的重要指标，其值从1（简单）到10（复杂）。通过计算这些材料的合成可及性，我们发现BO1的合成可及性为3.28，是六种候选材料中最简单的。此外，我们还评估了这些材料的合成复杂度（SC），并将其与PCE结合，计算出一个综合性能指标（FOM = SC/PCE）。虽然这些材料的合成复杂度低于PM6（73.1）和PTQ10（1.7），但其PCE较低，导致FOM较高。这表明，尽管机器学习在筛选和预测方面表现出色，但在实际合成和性能优化过程中，仍需结合实验验证和结构调整。

在实验部分，我们通过溶液处理和薄膜沉积技术制备了OPV器件，并使用了多种仪器对器件性能进行了测试。例如，我们使用紫外-可见吸收光谱（UV-vis）测量了聚合物和受体的吸收特性，发现BO1和Y6的光吸收范围相近，而BO2和BO1Ph则表现出更好的互补性。通过电化学测量，我们进一步评估了载流子迁移率，发现BO2的载流子迁移率平衡较好，而BO1Ph的迁移率则不均衡，导致其性能较差。此外，我们还使用了原子力显微镜（AFM）和二维掠入射X射线衍射（2D-GIXRD）等技术，分析了聚合物薄膜的结构和相容性。结果显示，BO2和BO1Ph的薄膜表现出较好的混合性和较小的表面粗糙度，而BO1则由于高聚集性导致较大的粗糙度，影响了其性能。

本研究的成果表明，通过机器学习辅助的结构优化和实验验证，可以有效开发出具有简单结构和高效率的p型聚合物。尽管BO1的PCE较低，但其合成步骤少和良好的溶剂化能力使其成为低成本大规模生产的候选材料。通过调整聚合物的结构，我们成功提升了BO2的PCE，并发现其与Y6的相容性和载流子迁移率平衡是关键因素。而BO1Ph虽然在光吸收方面表现良好，但其迁移率不平衡和结构取向不佳导致PCE仍然较低。这表明，在开发新型OPV材料时，需综合考虑合成复杂度、结构对称性和载流子迁移率等因素，以实现最佳性能。

本研究的成果不仅为OPV材料的开发提供了新的思路，也为未来材料设计和筛选提供了有效的工具。通过机器学习和实验验证相结合的方法，我们能够快速识别具有潜力的材料，并对其进行优化。这种方法在探索庞大的化学空间时具有显著优势，能够减少实验成本和时间，提高材料开发的效率。此外，我们还发现，合成可及性和合成复杂度是衡量材料可制造性的重要指标，这些指标与材料的性能密切相关。因此，在开发新型OPV材料时，需综合考虑这些因素，以实现低成本、高性能的目标。

总之，本研究通过机器学习辅助的结构优化和实验验证，成功开发出具有简单结构和较高PCE的p型聚合物。尽管BO1的PCE较低，但其合成步骤少和良好的溶剂化能力使其成为低成本大规模生产的候选材料。通过调整结构，我们得到了BO2和BO1Ph两种改进版本，其中BO2的PCE显著提升，而BO1Ph的性能仍需进一步优化。这些结果表明，机器学习在材料开发中的应用具有广阔前景，能够为未来OPV技术的进步提供重要支持。