Ausgewählt Für AAAI 2025! Das Team Der Hong Kong Polytechnic University Prognostiziert Die Optoelektronischen Eigenschaften Organischer Materialmoleküle Auf Basis Des Graph Transformer Präzise
Im Jahr 1966 schrieb eine Reihe ungewöhnlicher Daten aus dem Labor der Tohoku-Universität in Japan die Geschichte der Energie neu. Als die Forscher einen dünnen Film aus Viologen-Farbstoffkristallen dem Sonnenlicht aussetzten, waren sie vom plötzlichen Signalsprung des Stromdetektors schockiert.Organische Materialien können Fotostrom erzeugen, ohne auf Siliziumkristalle angewiesen zu sein!Diese bahnbrechende Entdeckung, die im Japan Journal of Applied Physics veröffentlicht wurde, war wie ein Stein, der in einen tiefen Teich geworfen wurde, und löste wissenschaftliche Wellen aus, die ein halbes Jahrhundert anhielten.
Der Weg zu organischen Solarzellen (OSCs) ist jedoch viel schwieriger als erwartet. In den folgenden vierzig Jahren waren die Forscher dem „Fluch der Effizienz“ ausgesetzt: Die Diffusionsdistanz von Exzitonen in organischen Materialien betrug weniger als 10 Nanometer, und die erzeugten Elektron-Loch-Paare wurden vernichtet, bevor sie die Elektrode erreichten. Der Wendepunkt kam 2005, als sich Yang Yangs Team an der University of California in Los Angeles vom Photosynthesesystem der Pflanzen inspirieren ließ. Sie ahmten die Arbeitsteilung und Zusammenarbeit zwischen den Photosystemen II und I in Chloroplasten nach und konstruierten ein sich gegenseitig durchdringendes Netzwerk im Nanomaßstab unter Verwendung zweier Materialien, P3HT und PCBM.Diese „Bulk-Heterojunction“-Struktur erhöht die Exzitonentrennungseffizienz auf 60% und treibt die Geräteeffizienz auf einen historischen Durchbruch von 5%.Die entsprechenden Ergebnisse wurden auf dem Cover von Science veröffentlicht.
Seitdem wurden die Effizienzgrenzen organischer Solarzellen immer weiter durchbrochen. Da organische Solarzellen jedoch ihre 20%-Effizienzgrenze erreichen, ist das traditionelle Forschungs- und Entwicklungsmodell „Versuch und Irrtum“ an einen Engpass gestoßen. Hinter jedem neuen Molekül verbergen sich Billionen von Strukturkombinationen, was zu dem enormen Aufstieg der computergestützten Materialwissenschaft geführt hat.
Das kürzlich von einem Team der Hong Kong Polytechnic University veröffentlichte RingFormer-Framework löst eine kognitive Revolution im Moleküldesign aus. Diese Methode erstellt eine hierarchische Graph-Transformer-Architektur aus atomar-chemischen Ringen und kombiniert lokale Nachrichtenübermittlung mit einem globalen Aufmerksamkeitsmechanismus, um die optoelektronischen Eigenschaften von Molekülen genau vorherzusagen. Auf dem Testsatz der Clean Energy Project Database (CEPDB) der Harvard University wurde die Leistung im Vergleich zu herkömmlichen Methoden um 22,77% verbessert, was einer Verkürzung des Forschungs- und Entwicklungszyklus für neue Materialien von mehreren Jahren auf Wochen entspricht und markiert, dass die Forschung an organischen Solarzellen offiziell in eine neue Ära „computergestützter Experimente“ eingetreten ist.
Die entsprechenden Ergebnisse mit dem Titel „RingFormer: A Ring-Enhanced Graph Transformer for Organic Solar Cell Property Prediction“ wurden für die AAAI 2025 ausgewählt, die führende akademische Konferenz im Bereich KI.
Link zum Artikel:
https://doi.org/10.48550/arXiv.2412.09030
Downloadadresse der relevanten Datensätze, die in der Forschung verwendet wurden:
https://hyper.ai/cn/datasets/37721
GNN verändert das langwierige traditionelle F&E-Modell
Angesichts der steigenden Nachfrage nach erneuerbarer Energie im Zuge der globalen Energiewende sind organische Solarzellen (OSCs) aufgrund ihrer hervorragenden photoelektrischen Umwandlungseigenschaften zu einem Forschungsschwerpunkt geworden. Diese Geräte basieren auf organischen Halbleitermaterialien mit kleinen Molekülen und erreichen die Umwandlung von Lichtenergie in elektrische Energie durch die Wechselwirkung zwischen Elektronendonatoren und -akzeptoren in konjugierten Strukturen. Ihre Effizienz hängt eng mit der Komplexität der Molekülstruktur zusammen. Das traditionelle F&E-Modell basiert jedoch auf zahlreichen Versuch-und-Irrtum-Experimenten und einem langwierigen Syntheseprozess.Der F&E-Zyklus dauert oft 3–5 Jahre.Dies schränkt die Geschwindigkeit der Materialinnovation erheblich ein.
Um potenzielle OSC-Moleküle effizienter zu screenen, begannen Forscher, Methoden des maschinellen Lernens zu verwenden, um die Leistung von OSCs vorherzusagen. Derzeit werden häufig auf Fingerabdrücken basierende Methoden verwendet, die normalerweise manuell erstellte molekulare Fingerabdrücke (wie MACCS und ECFP) als molekulare Merkmale verwenden und diese in vorhandene Modelle des maschinellen Lernens wie Random Forests und Support Vector Machines eingeben. Allerdings handelt es sich bei diesen Fingerabdrücken um vereinfachte Darstellungen molekularer Strukturen.Wenn man die komplexen molekularen Informationen und Wechselwirkungen ignoriert,Dies ist besonders deutlich bei OSC-Molekülen mit komplexen Strukturen.
Graph-Neural-Networks (GNNs) boten einst Hoffnung für dieses Dilemma: Sie abstrahierten Moleküle in topologische Graphen aus Atomknoten und chemischen Bindungskanten und erfassten Strukturmerkmale durch Deep Learning. Allerdings stehen bestehende Modelle bei der Analyse von OSC-Molekülen vor zwei Herausforderungen:einerseits,Die „atomare Kurzsichtigkeit“ von GNNs macht es schwierig, elektronische Kopplungseffekte über große Entfernungen hinweg über mehrere Benzolringe hinweg zu erfassen.auf der anderen Seite,Da die Konnektivitätsmuster zwischen Ringsystemen nicht charakterisiert sind, ist es unmöglich, wichtige strukturelle Unterschiede zu erkennen (z. B. die Auswirkungen linearer Konnektivität im Vergleich zur Sterntopologie auf die Exzitonentrennung).
Als Antwort auf diese HerausforderungenDas Forschungsteam der Hong Kong Polytechnic University hat mit RingFormer ein innovatives Framework vorgeschlagen.Dies ist das erste Graph-Transformer-Framework, das Ringsysteme in OSC-Molekülen erfasst. Dieses Framework durchbricht die Einzelperspektive der traditionellen Modellierung auf atomarer Ebene und konstruiert ein zweistufiges Merkmalsfusionssystem auf Atomring-Ebene.
Der Kern dieser Methode besteht darin, einen dynamischen Interaktionsmechanismus zu etablieren: die Sensibilität gegenüber mikroskopischen Merkmalen wie chemischen Bindungen und Ladungsverteilung auf atomarer Ebene aufrechtzuerhalten und gleichzeitig auf Ringebene ein ringübergreifendes Aufmerksamkeitsnetzwerk zu etablieren, um makroskopische Strukturmerkmale wie gemeinsame Kanten kondensierter Ringe und räumliche Anordnungen nicht kondensierter Ringe genau zu analysieren.
Durch die Einführung der Inter-Ring-Verbindungsmatrix und des Intra-Ring-Atomgewichtszuweisungsalgorithmus kann das Modell Schlüsselringsysteme und ihre Interaktionsmuster autonom identifizieren. Die experimentellen Ergebnisse zeigen, dassDiese zweistufige Modellierungsstrategie verbessert die Vorhersagegenauigkeit der Leistungsumwandlungseffizienz (PCE) auf 92%.Es zeigt stärkere Charakterisierungsfähigkeiten bei Molekülen mit komplexen Systemen, die mehr als fünf Ringe enthalten. Dieser Durchbruch stellt nicht nur ein neues Paradigma für das Materialdesign von OSCs dar, sondern eröffnet auch einen neuen Weg für die maschinelle Lernmodellierung komplexer molekularer Systeme.
RingFormer: Darstellung der Molekülstruktur von OSCs auf atomarer und Ringebene
Um diese Methode besser beurteilen zu können,Die Forscher stellten fünf molekulare Datensätze von OSCs zusammen.Es umfasst den auf der Dichtefunktionaltheorie (DFT) basierenden CEPDB-Datensatz sowie die HOPV-, PFD-, NFA- und PD-Datensätze, die aus verschiedenen Arten von OSC-Molekülen bestehen. Diese Datensätze werden im Verhältnis 6:2:2 in Trainings-, Validierungs- und Testsätze unterteilt.
Downloadadresse der relevanten Datensätze, die in der Forschung verwendet wurden:
https://hyper.ai/cn/datasets/37721
Um die Strukturmerkmale auf atomarer und Ringebene in OSC-Molekülen genau zu erfassen, wurde in dieser Studie das RingFormer-Framework vorgeschlagen.Zuerst wird ein mehrstufiger OSC-Graph erstellt, und dann wird dieser mehrstufige Graph als Ganzes durch die RingFormer-Schicht codiert, um seine Leistung vorherzusagen.Wie in der folgenden Abbildung gezeigt, umfasst dieses mehrstufige OSC-Diagramm Diagramme auf Atomebene, Ringebene und zwischen den Ebenen.
Diagramme auf Atomebene beschreiben die atomare Bindungsstruktur von OSC-Molekülen im Detail, während Diagramme auf Ringebene sich auf die Ringe und ihre Verbindungen konzentrieren, um komplexe Ringsysteme zu erfassen. Der ebenenübergreifende Graph ist für die Modellierung der Beziehung zwischen Ringen und Atomen verantwortlich und stellt somit die hierarchische Struktur des Moleküls vollständig dar. Die Integration dieser drei Ebenen liefert eine umfassende Beschreibung der Molekülstruktur von OSCs und ermöglicht eine genauere Vorhersage der Eigenschaften.
Nächste,Das RingFormer-Framework kombiniert lokale Nachrichtenübermittlung und globale Aufmerksamkeitsmechanismen.Erfassen Sie die einzigartigen Strukturmuster in jeder Ebene und erlernen Sie ausdrucksstarke Grafikdarstellungen. Auf dem Graphen auf atomarer Ebene verwendet die RingFormer-Schicht GNNs zur Nachrichtenübermittlung, um lokale Strukturmerkmale in atomare Knotendarstellungen zu kodieren.
Für den Graphen auf Ringebene führt die RingFormer-Schicht einen innovativen Cross-Attention-Mechanismus ein, der speziell dafür entwickelt wurde, die globalen Muster im Ringsystem zu erfassen, insbesondere die Verbindungen zwischen den Ringen. Darüber hinaus erleichtert die RingFormer-Schicht die Interaktion zwischen Ringknoten und atomaren Knoten durch Nachrichtenübermittlung im ebenenübergreifenden Graphen. Am Ende jeder RingFormer-Schicht wird eine hierarchische Fusionsstrategie implementiert, um sicherzustellen, dass sich Informationen auf verschiedenen Ebenen ergänzen können.
Schließlich aggregiert RingFormer nach dem Stapeln mehrerer Schichten die Knotendarstellungen von Atomen und Ringen, um eine Graphdarstellung zu bilden, die die Molekülstruktur von OSCs umfassend kodiert und so eine solide Grundlage für die Leistungsvorhersage bietet.
Um die Wirksamkeit von RingFormer bei der Vorhersage der OSC-Leistung zu bewerten, verglichen die Forscher es anschließend mit 11 Basismodellen anhand von fünf molekularen OSC-Datensätzen. Die experimentellen Ergebnisse zeigen, dassRingFormer übertrifft das Basismodell durchweg.Insbesondere erreicht RingFormer im großen CEPDB-Datensatz eine signifikante relative Verbesserung von 22,77% gegenüber dem nächsten Konkurrenten.
Wie in der folgenden Tabelle gezeigt, in Bezug auf die prognostizierte Leistungsumwandlungseffizienz (PCE),RingFormer erzielt bei fast allen Datensätzen die beste Leistung und belegt nur beim PFD-Datensatz den zweiten Platz.Insbesondere beim NFA-Datensatz mit der größten durchschnittlichen Anzahl von Ringen übertrifft RingFormer die auf Fingerabdrücken basierende Methode ECFP um 4,96%. Darüber hinaus liefert RingFormer auch bei der Verarbeitung größerer und komplexerer OSC-Moleküle bei diesen Datensätzen gute Ergebnisse und erzielt bei 3 von 4 Datensätzen die beste Leistung.
Die Forscher nutzten außerdem den CEPDB-Datensatz, um die Leistung von RingFormer beim Multitasking-Lernen zu bewerten. Die Ergebnisse zeigen, dassRingFormer übertrifft andere Konkurrenzmodelle in allen sechs Zielleistungsmetriken durchweg.Und das oft mit erheblichen Vorteilen. Darüber hinaus schneidet GPS aufgrund der Verschmelzung von Nachrichtenübermittlung und globalen Aufmerksamkeitsmechanismen auch bei allen Zielleistungen gut ab und wird nur von RingFormer übertroffen.Dies bestätigt erneut, wie wichtig es ist, sowohl lokale als auch globale Strukturmerkmale in OSC-Molekülen zu erfassen.
Schließlich bewerteten die Forscher auch die Leistung von RingFormer bei der Verarbeitung von OSC-Molekülen mit unterschiedlicher Ringanzahl. Mit zunehmender Anzahl der Ringe in einem Molekül steigt auch die Leistungsverbesserung von RingFormer entsprechend.Dies deutet darauf hin, dass eine klare positive Korrelation zwischen der überlegenen Leistung von RingFormer und der Komplexität des Ringsystems besteht.
Darüber hinaus wurde in dieser Studie auch eine visuelle Analyse der grafischen Darstellung von OSC-Molekülen im CEPDB-Testsatz mithilfe der UMAP-Technologie durchgeführt. Im Vergleich zur Einbettung durch GPS,Die von RingFormer generierten Einbettungen können anhand der Anzahl der Ringe im OSC-Molekül klar unterschieden werden.Diese Beobachtungen bestätigen erneut die bemerkenswerte Fähigkeit von RingFormer, die komplexe Struktur von Ringsystemen zu erfassen.
KI-Technologie verändert die Zukunft der Branche, und die chinesische Macht hinter OSCs kann nicht ignoriert werden
Im Zuge der weltweiten Energiewende rücken organische Solarzellen (OSCs) aufgrund ihres geringen Gewichts, ihrer Flexibilität und niedrigen Kosten allmählich aus dem Labor in den Vordergrund der Industrialisierung, und die Forschungsfortschritte chinesischer Wissenschaftler auf dem Gebiet der organischen Solarzellen sind bemerkenswert.
Im Jahr 2015 schlug das Team von Hou Jianhui an der Chinesischen Akademie der Wissenschaften die Theorie des „Synergismuseffekts zwischen Polymeren und kleinen Molekülen“ vor und entwickelte den Nicht-Fulleren-Rezeptor ITIC, dessen schmetterlingsförmige dreidimensionale Konfiguration eine präzise Verbindung von Molekülen ermöglicht.Das Produkt des Teams kann unter den extremen Klimabedingungen des Qinghai-Plateaus in 4.200 Metern Höhe immer noch die Effizienz von 82% aufrechterhalten und ist damit der weltweit erste nachgewiesene Fall in Höhenlagen.
Bis 2025 erreichte das Team von Li Yaowen an der Soochow-Universität eine zertifizierte Effizienz von 20,82%, indem es den molekularen Anordnungsgradienten der aktiven Schicht durch die „sequentielle Kristallisationsstrategie“ regulierte und den Engpass bei der Industrialisierung von Dickschichtgeräten überwand.Die Effizienz des 400 Nanometer dicken Films erreichte 17,93%.Es legte den Grundstein für die Entwicklung der Rolle-zu-Rolle-Drucktechnologie.
Zur gleichen Zeit entwickelte das Team von Ge Ziyi am Ningbo Institute of Materials einen Chinoxalin-Rezeptor SMA, der durch geordnete molekulare AnordnungDie Effizienz starrer und flexibler OSCs wurde auf 20,22% bzw. 18,42% erhöht.Die Leistung des 96% blieb selbst nach 2.000 Biegungen erhalten und setzt damit einen neuen Standard für tragbare Energiegeräte.
Die Kombination von KI und organischer Solarzellenforschung ist bereits im Jahr 2023 möglich. Das Team von Professor Li Youyong vom Institut für funktionelle Nanomaterialien und weiche Materie der Soochow-Universität arbeitete mit dem Team von Professor Yuan Jianyu zusammen, um mithilfe von maschinellem Lernen ein Hochdurchsatz-Screening organischer Solarzellen zu erreichen. Sie führten mithilfe von DFT-Berechnungen eine eingehende Untersuchung der elektronischen Struktureigenschaften organischer Moleküle durch und nutzten Big-Data-Technologie, um eine Datenbank für Funktionsmaterialien aufzubauen, die eine solide Grundlage für das Training von Modellen des maschinellen Lernens bietet.Diese Forschung verbessert nicht nur die Effizienz des Screenings organischer optoelektronischer Materialien und reduziert den Rechenaufwand,Darüber hinaus bietet es umfassende Unterstützung bei der Entwicklung und Optimierung optoelektronischer Geräte.
*Titel der Abschlussarbeit:
Effizientes Screening-Framework für organische Solarzellen mit Deep Learning und Ensemble Learning
*Link zum Artikel:
https://www.nature.com/articles/s41524-023-01155-9
Im Jahr 2024 schlug ein Forschungsteam der University of Illinois und der University of Toronto eine bahnbrechende „Closed-Loop-Transfer (CLT)“-Methode vor, um KI in eine erklärbare chemische Wissensmaschine umzuwandeln. Diese Methode kombiniert die physikalische Merkmalsauswahl mit überwachtem Lernen.In fünf Runden von Closed-Loop-Experimenten wurden dreißig neue Moleküle gescreent, darunter ein Lichtsammelmolekül mit einer fünffach erhöhten Photostabilität.Die starke Korrelation zwischen der Zustandsdichte von Tripletts bei hohen Energien (TDOS) und der Stabilität wurde aufgedeckt und lieferte ein universelles Konstruktionsprinzip für das Problem der Photodegradation.
* Titel des Artikels:
Geschlossener Kreislauf ermöglicht künstliche Intelligenz, chemisches Wissen zu gewinnen
* Link zum Artikel:
https://doi.org/10.1038/s41586-024-07892-1
Ebenfalls im Jahr 2024 entwickelten Christoph J. Brabec und Wu Jianchang vom Helmholtz-Institut in Deutschland, Wang Luyao von der Universität Xiamen, Pascal Friederich vom Karlsruher Institut für Technologie in Deutschland und Sang Il Seok vom Ulsan National Institute of Science and Technology in Südkorea gemeinsam einen geschlossenen automatisierten Arbeitsablauf. Dieser Prozess kombiniert maschinelles Lernen und Experimentieren.Fähigkeit, schnell molekulare Designregeln für spezifische Geräteanforderungen zu generieren,Es legt den Grundstein für die Entwicklung leistungsfähiger optoelektronischer Geräte der nächsten Generation, beispielsweise organischer Solarzellen.
* Titel des Artikels:
Inverser Design-Workflow entdeckt Lochtransportmaterialien, die auf Perowskit-Solarzellen zugeschnitten sind
* Link zum Artikel:
https://doi.org/10.1126/science.ads0901
Es ist erkennbar, dass die KI-Technologie in der weltweiten Forschung zu organischen Solarzellen eine immer wichtigere Rolle spielt. Es beschleunigt nicht nur die Entdeckung neuer Materialien und die Leistungsoptimierung, sondern bietet auch neue Perspektiven und Lösungen für langjährige wissenschaftliche Probleme. Mit der fortschreitenden Weiterentwicklung der Technologie und der Beschleunigung der Industrialisierung ist China zu einem wichtigen Motor für die Entwicklung der globalen organischen Solarzellentechnologie geworden und wird voraussichtlich noch mehr chinesisches Wissen und Lösungen zur zukünftigen Energierevolution beitragen.