埃尔朗根-纽伦堡大学Science：效率26.2%！逆向设计工作流程发现适合钙钛矿太阳能电池的空穴传输材料

摘要：埃尔朗根-纽伦堡大学Christoph J. Brabec团队在Science期刊发表题为“Inverse design workflow discovers hole-transport materials tailored for perovskite s

埃尔朗根-纽伦堡大学Christoph J. Brabec团队在Science期刊发表题为“Inverse design workflow discovers hole-transport materials tailored for perovskite solar cells”的研究论文，Jianchang Wu为第一作者，Jianchang Wu & Luyao Wang & Sang Il Seok & Pascal Friederich & Christoph J. Brabec 为共同通讯作者。

核心亮点：本文展示了一个闭环工作流程，结合了有机半导体的高通量合成以创建大型数据集和贝叶斯优化，以发现具有定制特性的新型空穴传输材料，用于太阳能电池应用。在钙钛矿太阳能电池中实现了高达26.2%（经认证为25.9%）的功率转换效率。

钙钛矿太阳能电池 (PSCs) 的空穴传输材料 (HTMs) 的设计主要由实验者定性识别HTM结构中的模式以提高器件性能。不过，这种方法缺乏对新型HTMs的机制理解，而且在高维数据集上也需要模式识别。目前，机器学习(ML)已被用于在科学和技术的各个领域中发现有意义的模式，包括有机合成、材料科学和工艺流程优化，然而，为半导体器件功能而优化性能的新材料的发现尚未应用于新兴的光伏领域。过往的研究者主要集中在使用ML来优化制造工艺或根据制造工艺预测器件性能和稳定性，直到最近，才有研究者将机器学习与有机合成结合在一起。

不过，自主优化算法不仅需要足够大的数据量，还需要数据多样性，这就需要合成结构多样的分子。为解决这些问题，我们开发了一种基于知识和数据的联合策略，该策略在高通量 (HT) 有机合成平台中实施，可以在数周的时间内合成和纯化100多种可溶液加工的小分子半导体，具有不同的结构和一致的质量，并在多个合成活动期间实现。这一方法为我们提供了一个足够大且多样化的数据集，可用于通过训练将HTM的结构特征与相应p-i-n PSC的性能耦合的ML模型，并用于实施基于数据的探索策略。

为了解决这一问题，埃尔朗根-纽伦堡大学Jianchang Wu&Christoph J. Brabec&卡尔斯鲁厄理工学院Pascal Friederich&韩国蔚山国立科学技术研究院Sang Il Seok&厦门大学Luyao Wang团队展示了一个闭环工作流程，该工作流程结合了有机半导体的高通量合成以创建大型数据集和贝叶斯优化，以发现具有定制特性的新型空穴传输材料，用于太阳能电池应用。预测模型基于分子描述符，使能够将这些材料的结构与其性能联系起来。从最少的建议中确定了一系列高性能分子，并在钙钛矿太阳能电池中实现了高达26.2%（经认证为25.9%）的功率转换效率。

该研究通过合成了共轭有机分子库以创建大型数据集，并将这些分子作为空穴转运蛋白进行评估。贝叶斯模型经过设备性能训练，并用于根据分子描述符合成新的候选物。逆向设计方法已经确定了用于钙钛矿太阳能电池的高性能有机空穴传输半导体。这种方法可以扩展到其他应用领域，并改变我们为尖端技术应用开发和优化材料的方式。