基于分子指纹及机器学习回归模型的有机光伏材料效率预测

有机太阳能电池(OPV)的发展依赖于新型高效OPV材料的开发.近几年来,为解决传统有机太阳电池材料开发模式低效的问题,机器学习辅助OPV材料开发的新模式得到了广泛的关注.本工作提出一种结合分子指纹和机器学习回归模型的新方法,实现了OPV给体材料光电转换效率的快速预测.基于从文献中收集的给体材料数据库,系统地比较了不同分子指纹作为各种机器学习模型输入的预测精度.结果表明,Mor-gan分子指纹与随机森林模型的组合在决定系数指标下性能最优,而Hybridization分子指纹与支持向量机模型的组合在平均绝对误差指标下性能最优.同时,各模型的预测精度随着分子指纹的位数增加而提高.该方法可广泛用于新设计的OPV材料的快速初筛,从而提升新型OPV材料的研发速度,促进高性能OPV的快速发展.