探索连续二维 Mw–D 空间用于分子量分布的确定性逆向设计
《Matter》:Navigating continuous two-dimensional Mw–D space for deterministic inverse design of molecular weight distribution
【字体:
大
中
小
】
时间:2026年09月22日
来源:Matter 15.7
编辑推荐:
进展与潜力导电聚合物的性能受分子量分布的强烈影响,然而重均分子量(Mw)和多分散性(D)通常被视为聚合物合成的耦合结果,而非易于调节的设计变量。本工作将分子量分布控制重新表述为一个基于坐标的设计问题。通过将双批次混合扩展为三批化学相同的聚合物批次混合,可获得的分子量分布从一维
进展与潜力
导电聚合物的性能受分子量分布的强烈影响,然而重均分子量(Mw)和多分散性(D)通常被视为聚合物合成的耦合结果,而非易于调节的设计变量。本工作将分子量分布控制重新表述为一个基于坐标的设计问题。通过将双批次混合扩展为三批化学相同的聚合物批次混合,可获得的分子量分布从一维轨迹扩展为连续的二维Mw–D区域,该区域由起始批次定义。采用D18-Cl和PM6的实验验证以低于4.4%的偏差再现了目标Mw–D坐标。机器学习模型被用于绘制该可行区域内光伏性能的全貌。直接预测功率转换效率提供了比从单独预测的光伏参数重构更为稳健的设计基础。逆设计随后将目标Mw–D坐标转化为可实验实现的混合配比,所得D18-Cl器件的功率转换效率高达19.48%,预测偏差低于0.15%,并在PM6体系中得到了进一步验证。超越本文所考察的具体有机太阳能电池体系,该框架将分子量分布确立为一种后合成设计变量,无需反复重新合成聚合物即可进行系统性探索。通过将批次定义的坐标空间、数据驱动的性能映射和逆设计相结合,该方法将聚合物合成、分子量分布工程和器件优化统一在一个框架内。随着更广泛的批次库和更高效采样策略(包括自适应采样或主动学习)的发展,这一概念有望减少实验工作量,并实现更广泛导电聚合物技术中分子量分布效应的针对性探索。
要点
•
机器学习绘制性能图谱并实现从目标PCE出发的逆设计
•
逆设计有机太阳能电池达到19.48% PCE,预测偏差低于0.15%
摘要
对导电聚合物的分子量分布(尤其是重均分子量(Mw)和多分散性(D))进行精确且可重复的控制,仍是该领域的重大挑战。本文引入了一个二维Mw–D空间,将分布工程重新表述为基于坐标的设计问题。将双批次混合扩展为三批次混合(x + y + z = 1),使可获得的分布从一维轨迹扩展为连续二维曲面,从而能够在批次定义的可行区域内独立调节Mw和D。使用代表性导电聚合物的实验验证了该框架,以低于4.4%的误差再现了目标Mw–D坐标。机器学习绘制了Mw–D空间中的性能图谱,其中直接预测功率转换效率(PCE)优于从光伏参数重构。该框架无需分解控制器件性能的相互依赖性质,即可直接预测PCE。逆设计实现了高PCE,偏差低于0.15%,超越了原始批次限制。批次定义的Mw–D框架为导电聚合物中的分子量分布优化提供了实用途径。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号