Поиском молекул для органических солнечных батарей занялся ИИ
В работе, которая может привести к революции в способах обнаружения функциональных материалов, исследователи из Осаки (Япония) применили машинное обучение к разработке новых полимеров для фотоэлектрических устройств. Они также получили опытное подтверждение достоверности выдаваемых ИИ-моделью прогнозов.
Машинное обучение - мощный инструмент, который позволяет компьютерам делать прогнозы даже для сложных проблем материаловедения, таких как проектирование молекул для органических солнечных элементов. Людям потребовались бы годы, чтобы проанализировать все возможные комбинации донорных полимеров и акцепторных молекул, из которых состоит солнечная батарея.
В своих экспериментах исследователи из Осакского университета применили для проверки пар донор/акцептор алгоритм ИИ, натренированный на данных из ранее опубликованных исследований. Все возможные комбинации из 382 молекул донора и 526 - акцептора составили 200 932 пар, для каждой из которых нейросеть составила прогноз эффективности преобразования энергии.
Для проверки действенности этого подхода, в лаборатории был синтезирован один из найденных ИИ-алгоритмом самых перспективных полимеров. Выполненное тестирование показало, что реальные функциональные характеристики материала хорошо согласуются с предсказанными обучаемой моделью.
"Этот проект будет способствовать не только разработке высокоэффективных органических солнечных элементов, он также может быть адаптирован к материальной информатике других функциональных материалов", - говорит Акинори Саэки (Akinori Saeki). Статья об этом исследовании, старшим автором которой он является, вышла в журнале Advanced Functional Materials.
