基于分子性能与器件制备的低泛化误差有机太阳电池光电转化效率预测模型

doi:10.7503/cjcu20230165

摘要/Abstract

摘要：

近年来, 有机太阳电池是一个非常活跃的研究领域, 为了提高其光电转化效率, 所采取的优化策略主要分为新型给体或受体的开发和器件制备工艺优化两类. 但由于其影响因素的数量较多及其复杂的相互作用机制, 几乎不可能建立一个完整的理论来预测器件的光电转化效率, 而机器学习可能是一个潜在的解决方案. 本文将描述分子性能与器件制备的参数相结合用以构建数据集. 为了降低泛化误差, 模型分别由随机森林、支持向量机和多层感知器生成, 其中随机森林展现出最佳性能. 对随机森林进一步优化的结果显示, 100种不同随机状态的测试集R²的平均值收敛于0.9012, 并给出了数据集各参数重要性的定量结果. 研究发现, 数据集的构建对机器学习模型的性能与结论起着至关重要的作用.

关键词: 有机太阳电池, 机器学习, 随机森林, 泛化误差

Abstract:

Organic solar cells（OSCs） have been a very active research field in recent years. There are two main optimization strategies which are novel donor or acceptor and device fabrication. Due to the huge number of influencing factors and their complicated internal interaction mechanism， it’s almost impossible to build a complete theory to describe and analyze device power conversion efficiency（PCE）. However， machine learning may be a feasible answer. In this research， molecular properties and device fabrication are combined to build dataset. To decrease generalization error， models are developed by random forest， support vector machine and multiple perceptron. Random forest shows the best performance and is determined to the final algorithm. After further optimization， the test set R² average of 100 different random state converges on 0.9012 and the quantitative results of feature importance are given. The dataset plays a critical role in the performance of machine learning model. The results indicate the feasibility of applying results given by machine learning models as references for experiments and analysis.

Key words: Organic solar cell, Machine learning, Random forest, Generalization error

中图分类号:

O641

TrendMD:

张妍, 蒋行健, 刘明, 郑植, 张勇. 基于分子性能与器件制备的低泛化误差有机太阳电池光电转化效率预测模型. 高等学校化学学报, 2023, 44(7): 20230165.

ZHANG Yan, JIANG Xingjian, LIU Ming, ZHENG Zhi, ZHANG Yong. Predict Efficiency of Organic Solar Cell with Low Generalization Error Based on Molecular Property and Device Fabrication. Chem. J. Chinese Universities, 2023, 44(7): 20230165.

图/表 7

Fig.1 Distributions of VOC(A), JSC(B), FF(C), PCE(E), the correlation coefficients of PCE with VOC, JSC and FF respectively(D)

Table 1 Performance of primary models

Model	Score	Test set			Train set
Model	Score	R²	MSE ^a	MAE ^b	R²	MSE	MAE
RF	0.8911	0.9828	0.2339	0.3194	0.9005	1.5942	0.9151
SVM	0.6783	0.8909	1.4827	0.8538	0.6054	6.3212	1.7193
MLP	0.6258	0.6208	6.0751	1.7122	0.9983	0.0234	0.0325

Fig.2 Scatter plots(A—C) and the error distributions(D—F) of RF(A, D), SVM(B, E) and MLP(C, F)

Table 2 Hypothetical test results

Model	Z	High⁃PCE device			Low⁃PCE device
Model	Z	Count	Average	σ	Count	Average	σ
RF	-5.4748	84	-0.3816	0.9265	217	0.2342	0.7404
MLP	-2.6438	84	-0.2514	0.9357	217	0.1242	1.4556
SVM	-9.4949	84	-1.5651	1.9137	217	0.6297	1.4613

Table 3 Performance of optimized model

Model	Score	Test set			Train set
Model	Score	R²	MSE	MAE	R²	MSE	MAE
Optimized RF	0.8975	0.9032	1.5505	0.9125	0.9844	0.2116	0.3168

Fig.3 Scatter plot of optimized RF model(A), the plot of R2 mean of test set(B), the plot of R2 of test set versus random state(C), the error distribution of optimized RF model(D), the quantitative results of feature importance(E)

Fig.4 Molecular structures of PBDFT⁃FBz(A) and PBDFF⁃FBz(B), the prediction results of PBDFT⁃FBz(C) and PBDFF⁃FBz(D)Concentration of donor and acceptor： 25 mg/mL； 1∶1（A∶D）； thermal annealing temperature： 130 ℃.

参考文献 32

1	Yu Z. P.， Liu Z. X.， Chen F. X.， Qin R.， Lau T. K.， Yin J. L.， Kong X.， Lu X.， Shi M.， Li C. Z.， Chen H.， Nat. Commun.， 2019， 10（1）， 2152
2	Zhang G.， Zhao J.， Chow P. C. Y.， Jiang K.， Zhang J.， Zhu Z.， Zhang J.， Huang F.， Yan H.， Chem. Rev.， 2018， 118（7）， 3447—3507
3	Yan C.， Barlow S.， Wang Z.， Yan H.， Jen A. K. Y.， Marder S. R.， Zhan X.， Nat. Rev. Mater.， 2018， 3（3）， 18003
4	Cheng P.， Li G.， Zhan X.， Yang Y.， Nat. Photonics， 2018， 12（3）， 131—142
5	Kippelen B.， Brédas J. L.， Energy Environ. Sci.， 2009， 2（3）， 251—261
6	Kaltenbrunner M.， White M. S.， Głowacki E. D.， Sekitani T.， Someya T.， Sariciftci N. S.， Bauer S.， Nat. Commun.， 2012， 3（1）， 770
7	Han C.， Wang J.， Zhang S.， Chen L.， Bi F.， Wang J.， Yang C.， Wang P.， Li Y.， Bao X.， Adv. Mater.， 2023， 35（10）， 2208986
8	Chen T.， Li S.， Li Y.， Chen Z.， Wu H.， Lin Y.， Gao Y.， Wang M.， Ding G.， Min J.， Ma Z.， Zhu H.， Zuo L.， Adv. Mater.， 2023，35，2300400
9	Chong K.， Xu X.， Meng H.， Xue J.， Yu L.， Ma W.， Peng Q.， Adv. Mater.， 2022， 34（13）， 2109516
10	Zhan L.， Li S.， Li Y.， Sun R.， Min J.， Chen Y.， Fang J.， Ma C. Q.， Zhou G.， Zhu H.， Zuo L.， Qiu H.， Yin S.， Chen H.， Adv. Energy Mater.， 2022， 12（39）， 2201076
11	Wei Q.， Liu W.， Leclerc M.， Yuan J.， Chen H.， Zou Y.， Sci. China Chem.， 2020， 63（10）， 1352—1366
12	Cao J.， Yi L.， Zhang L.， Zou Y.， Ding L.， J. Mater. Chem. A， 2023， 11（1）， 17—30
13	Xu X.， Jing W.， Meng H.， Guo Y.， Yu L.， Li R.， Peng Q.， Adv. Mater.， 2023， 35（12）， 2208997
14	Zhu L.， Zhang M.， Zhong W.， Leng S.， Zhou G.， Zou Y.， Su X.， Ding H.， Gu P.， Liu F.， Zhang Y.， Energy Environ. Sci.， 2021， 4（8）， 4341—4357
15	Wu Y.， Guo J.， Sun R.， Min J.， NPJ Comput. Mater.， 2020， 6（1）， 120
16	Kranthiraja K.， Saeki A.， Adv. Funct. Mater.， 2021， 31（23）， 2011168
17	Irfan A.， Hussien M.， Mehboob M. Y.， Ahmad A.， Janjua M. R. S. A.， Energy Technol.， 2022， 10（6）， 2101096
18	Mahmood A.， Wang J. L.， Energy Environ. Sci.， 2021， 14（1）， 90—105
19	Malhotra P.， Biswas S.， Chen F. C.， Sharma G. D.， Sol. Energy， 2021， 228， 175—186
20	Kaka F.， Keshav M.， Ramamurthy P. C.， Sol. Energy， 2022， 231， 447—457
21	Suthar R.， Abhijith T.， Sharma P.， Karak S.， Sol. Energy， 2023， 250， 119—127
22	Abbasi Jannat Abadi E.， Sahu H.， Javadpour S. M.， Goharimanesh M.， Mater. Today Energy， 2022， 25， 100969
23	Paul A.， Furmanchuk A.， Liao W. K.， Choudhary A.， Agrawal A.， Mol. Inf.， 2019， 38（11/12）， 11
24	Jørgensen P. B.， Mesta M.， Shil S.， Lastra J. M. G.， Jacobsen K. W.， Thygesen K. S.， Schmidt M. N.， J. Chem. Phys.， 2018， 148（24）， 13
25	Nagasawa S.， Al⁃Naamani E.， Saeki A.， J. Phys. Chem. Lett.， 2018， 9（10）， 2639—2646
26	Lee M. H.， Org. Electron.， 2020， 76， 105465
27	Munshi J.， Chen W.， Chien T.， Balasubrarnanian G.， Comput. Mater. Sci.， 2021， 187， 110119
28	Cao B.， Adutwum L. A.， Oliynyk A. O.， Luber E. J.， Olsen B. C.， Mar A.， Buriak J. M.， ACS Nano， 2018， 12（8）， 7434—7444
29	Fabian P. G. V.， Alexandre G.， Vincent M.， Bertrand T.， Olivier G.， Mathieu B.， Peter P.， Ron W.， Vincent D.， Jake V.， Alexandre P.， David C.， Matthieu B.， Matthieu P.， Édouard D.， J. Mach. Learn. Res.， 2011， 12， 2825—2830
30	Fan B.， Zhang D.， Li M.， Zhong W.， Zeng Z.， Ying L.， Huang F.， Cao Y.， Sci. China Chem.， 2019， 62（6）， 746—752
31	Huang P.， Du J.， Gunathilake S. S.， Rainbolt E. A.， Murphy J. W.， Black K. T.， Barrera D.， Hsu J. W. P.， Gnade B. E.， Stefan M. C.， Biewer M. C.， J. Mater. Chem. A， 2015， 3（13）， 6980—6989
32	Yu J.， Luo G.， Bian L.， Zhou B.， Yin X.， Xu Z.， Zhang F.， Deng P.， Wu H.， Tang W.， Dyes Pigments， 2016， 131， 356—363

[1]	孙恒, 张鹏宇, 张英楠, 詹传郎. 非稠环小分子受体材料的研究进展[J]. 高等学校化学学报, 2023, 44(7): 20230076.
[2]	文敏, 李豪杰, 李俊梁, 刘思奇, 胡笑添, 陈义旺. 准平面有机光伏器件的研究进展[J]. 高等学校化学学报, 2023, 44(7): 20230174.
[3]	黄汉浩, 卢湫阳, 孙明子, 黄勃龙. 石墨炔原子催化剂的崭新道路:基于自验证机器学习方法的筛选策略[J]. 高等学校化学学报, 2022, 43(5): 20220042.
[4]	杜嘉辉, 廖康, 洪本坤, 王钟烨, 马晶, 李伟, 黎书华. 普适的基于能量的分块局域激发态聚类算法[J]. 高等学校化学学报, 2021, 42(7): 2227.
[5]	魏曼曼,路皓翔,杨辉华. 基于RF_AdaBoost模型的血液种属鉴别算法[J]. 高等学校化学学报, 2020, 41(1): 94.
[6]	马广立,赵筱萍,程翼宇 . 基于随机森林与Chemistry Development Kit描述符的P-gp底物识别[J]. 高等学校化学学报, 2007, 28(10): 1885.