机器学习助力预测太阳能电池性能 系统越复杂人工智能就越有用

想象一下，正在寻找最佳配置来构建由不同聚合物制成的有机太阳能电池。您将如何开始呢？有源层需要非常厚还是非常薄？它是否需要大量的聚合物？

现在，来自巴塞罗那材料科学研究所的研究人员专门研究了能源应用材料，并与来自专门研究人工智能的RoviraiVirgili大学的研究人员进行了合作，将他们收集的实验数据点与人工智能算法结合起来，从而实现了对有机太阳能电池性能的前所未有的预测能力。

由马里亚诺·坎波伊·奎尔斯（MarianoCampoy-Quiles）领导的ICMAB研究人员通过使用一种新的实验方法生成了多个数据集，该方法允许他们仅在一个样本中拥有大量样本，与传统方法相比，可以缩短时间。然后，使用机器学习模型从这些数据集中学习并预测甚至更多材料的性能，例如伦敦帝国理工学院的马丁·海尼教授组合成的新型有机半导体。

这项研究可能是结合人工智能和高通量实验来预测某些材料和设备的最佳条件的众多领域中的第一个。

高通量实验中使用的基于梯度的有机太阳能电池样品。图片：ICMAB）

获取多个实验数据点

这项研究的关键方面之一是，研究人员能够以最小的实验努力生成大量有意义的数据集。这是机器学习建模成功的重要方面，以获得准确可靠的模型和预测。

研究人员使用了一种基于组合筛选的方法，在该方法中，他们生成的样品中的梯度参数主要影响有机太阳能电池的性能（即成分和厚度）。

“使用传统方法时，样本只为您提供有关一个点的信息。但是，使用我们的方法，我们可以获得10到1000倍的积分。一方面，这允许评估材料的光伏电势比传统方法快约50倍。在另一方面，它提供了大量的统计数据和庞大的数据集（几十万点），使我们能够可靠地训练不同的人工智能算法。”马里亚诺Campoy-基莱斯，是ICMAB的研究员，该研究的合着者。

人工智能算法来预测行为

“在人工智能的广泛领域中，我们在这项工作中应用了机器学习，该术语收集了各种算法，这些算法赋予机器（即计算机）从给定数据集中学习的能力，但不一定要自主决策。在这里，我们利用AI的更多统计视野从大型实验数据集中绘制预测模型。”ICMAB研究人员，该研究的第一作者XabierRodríguez-Martínez解释说。

材料科学领域的人工智能算法主要用于查找行为模式，并进一步针对给定应用开发一系列材料行为的预测模型。为此，首先对算法进行训练，方法是将其暴露于真实数据以生成模型算法。然后，使用不用于创建模型的其他数据点来验证模型，而是使用相同类别的材料。验证之后，该算法将用于预测其他类似材料的行为，这些材料不属于训练或验证集中。

在此特定研究中，以高通量方法获得的数千个点训练AI算法，以评估和预测决定有机太阳能电池效率的不同因素。“在这种情况下，使用AI算法尤其具有挑战性，”该研究的合著者，ICREAURV教授RogerGuimerà解释说，“由于数据的数量和复杂性，并且最终目的是推断从未经过测试的新材料。”

成就与未来挑战

这项工作代表了两项伟大的成就。一方面，开发AI模型以预测效率如何取决于许多有机太阳能电池参数。即使对于训练集中未使用的材料，预测程度也很高。

MarianoCampoy-Quiles说：“第二个重要点是，由于有了AI，我们已经确定了哪些物理参数会在更大程度上影响这种行为”，并补充说：“特别是，我们已经看到最关键的参数决定了最佳的组成是每种材料的电子间隙，以及每种材料中电荷传输的平衡程度。”

研究人员认为，本研究中开发的结果和方法对于指导理论研究人员在开发试图确定给定系统效率的未来分析模型时应考虑的因素非常重要。

“我们的下一个挑战是了解更加复杂的系统。Campoy-Quiles总结说，系统越复杂，人工智能就越有用。