新的機器學習計劃可加速清潔能源的產生

從《終結者》和《銀翼殺手》到《黑客帝國》，好萊塢教會我們警惕人工智能。但是，算法可能無法解決氣候危機帶來的至少一個問題，而不是將我們的命運注定在大屏幕上。

ARC激子科學卓越中心的研究人員成功創建了一種新型的機器學習模型，以預測可用于下一代有機太陽能電池的材料(包括“虛擬”化合物)的功率轉換效率(PCE)。還不存在。

與某些費時和復雜的模型不同，最新方法快速，易于使用，并且所有科學家和工程師均可免費獲得該代碼。

開發更有效，更易用的模型的關鍵是，用需要分析的分子的更簡單且化學可解釋的特征描述子代替復雜的，計算量大的參數，這些參數需要進行量子力學計算。它們提供了有關影響PCE的材料中最重要的化學片段的重要數據，從而生成可用于設計改良材料的信息。

當對可再生能源的需求及其在減少碳排放方面的重要性比以往任何時候都高時，這種新方法可能有助于大大加快設計效率更高的太陽能電池的過程。該結果已發表在《自然》雜志《計算材料》上。

經過數十年依賴相對昂貴且缺乏靈活性的硅之后，越來越多的注意力轉向有機光伏(OPV)太陽能電池，這種太陽能電池將通過使用印刷技術制造得更便宜，并且用途更廣，更易于處置。

一個主要的挑戰是分揀大量可以合成(由科學家量身定制)用于OPV的潛在合適化合物。

研究人員曾嘗試使用機器學習來解決此問題，但是其中許多模型很耗時，需要強大的計算機處理能力，并且難以復制。而且，至關重要的是，它們沒有為尋求建造新太陽能設備的實驗科學家提供足夠的指導。

現在，由RMIT大學的Nastaran Meftahi博士和Salvy Russo教授領導的工作，以及莫納什大學的Udo Bach教授的團隊，已經成功地應對了許多挑戰。

納斯塔蘭說：“其他大多數模型都使用電子描述符，這些描述符很復雜且計算量很大，而且化學上無法解釋。”

“這意味著實驗化學家或科學家無法從這些模型中獲得構想，以在實驗室中設計和合成材料。如果他們查看我的模型，因為我使用了化學上可解釋的簡單描述符，他們就可以看到重要的碎片。”

Nastaran的工作得到了CSIRO Data 61，莫納什大學，拉籌伯大學和諾丁漢大學的合著者Dave Winkler教授的大力支持。溫克勒教授共同創建了BioModeller程序，該程序為新的開源模型提供了基礎。

通過使用它，研究人員已經能夠得出可靠且可預測的結果，并且除其他數據外，還可以生成受檢查的分子標記與未來OPV設備效率之間的定量關系。

Nastaran和她的同事們現在打算擴大工作范圍，以包括更大，更準確的計算和實驗數據集。