Sélectionné Pour L'aaai 2025 ! L'équipe De L'université Polytechnique De Hong Kong Prédit Avec Précision Les Propriétés Optoélectroniques Des Molécules De Matériaux Organiques Sur La Base Du Graph Transformer

En 1966, une série de données anormales provenant du laboratoire de l’Université de Tohoku au Japon a réécrit l’histoire de l’énergie. Lorsque les chercheurs ont placé un film mince de cristaux de colorant viologène sous la lumière du soleil, ils ont été choqués par le saut soudain du signal provenant du détecteur de courant.Les matériaux organiques peuvent générer du photocourant sans recourir aux cristaux de silicium !Cette découverte historique, publiée dans le Japan Journal of Applied Physics, a été comme une pierre jetée dans un étang profond, créant des répercussions scientifiques qui ont duré un demi-siècle.

Cependant, le voyage des cellules solaires organiques (OSC) est beaucoup plus difficile que prévu. Au cours des quarante années suivantes, les chercheurs ont été pris au piège de la « malédiction de l’efficacité » : la distance de diffusion des excitons dans les matériaux organiques était inférieure à 10 nanomètres et les paires électron-trou générées étaient annihilées avant d’atteindre l’électrode. Le tournant s’est produit en 2005, lorsque l’équipe de Yang Yang, de l’Université de Californie à Los Angeles, s’est inspirée du système photosynthétique des plantes. Ils ont imité la division du travail et la coopération entre les photosystèmes II et I dans les chloroplastes et ont construit un réseau interpénétrant à l'échelle nanométrique en utilisant deux matériaux, P3HT et PCBM.Cette structure « d'hétérojonction en vrac » augmente l'efficacité de séparation des excitons à 60%, poussant l'efficacité du dispositif à une percée historique de 5%.Les résultats correspondants ont été publiés en couverture de Science.

Depuis lors, les limites d’efficacité des cellules solaires organiques n’ont cessé d’être repoussées. Cependant, à mesure que les cellules solaires organiques approchent de leur limite d'efficacité 20%, le modèle traditionnel de recherche et développement « essais et erreurs » rencontre un goulot d'étranglement. Derrière chaque nouvelle molécule se cachent des milliards de combinaisons structurelles, ce qui a donné naissance à l’essor puissant de la science des matériaux computationnels.

Le cadre RingFormer récemment publié par une équipe de l’Université polytechnique de Hong Kong déclenche une révolution cognitive dans la conception moléculaire. Cette méthode construit une architecture de transformateur graphique hiérarchique d'anneaux atomiques-chimiques et combine le passage de messages locaux avec un mécanisme d'attention global pour prédire avec précision les propriétés optoélectroniques des molécules. Sur l'ensemble de tests de la base de données du projet d'énergie propre (CEPDB) de l'Université de Harvard, ses performances ont été améliorées de 22,77% par rapport aux méthodes traditionnelles, ce qui équivaut à raccourcir le cycle de recherche et développement de nouveaux matériaux de plusieurs années à quelques semaines, marquant que la recherche sur les cellules solaires organiques est officiellement entrée dans une nouvelle ère d'« expériences guidées par calcul ».

Les résultats associés, intitulés « RingFormer : un transformateur de graphes amélioré par anneau pour la prédiction des propriétés des cellules solaires organiques », ont été sélectionnés pour AAAI 2025, la principale conférence universitaire dans le domaine de l'IA.

Lien vers l'article :
https://doi.org/10.48550/arXiv.2412.09030

Adresse de téléchargement des ensembles de données pertinents utilisés dans la recherche :

https://hyper.ai/cn/datasets/37721

GNN change le long modèle traditionnel de R&D

Avec la demande croissante d'énergie renouvelable dans le cadre de la transition énergétique mondiale, les cellules solaires organiques (OSC) sont devenues un pôle de recherche en raison de leurs excellentes propriétés de conversion photoélectrique. Ces dispositifs sont basés sur des matériaux semi-conducteurs à petites molécules organiques et permettent la conversion de l'énergie lumineuse en énergie électrique grâce à l'interaction entre les donneurs et les accepteurs d'électrons dans des structures conjuguées. Leur efficacité est étroitement liée à la complexité de la structure moléculaire. Cependant, le modèle traditionnel de R&D repose sur de nombreuses expériences d’essais et d’erreurs et sur un long processus de synthèse.Le cycle de R&D dure souvent de 3 à 5 ans.Cela limite considérablement la vitesse d’innovation matérielle.

Afin de sélectionner plus efficacement les molécules potentielles d’OSC, les chercheurs ont commencé à utiliser des méthodes d’apprentissage automatique pour prédire les performances des OSC. Actuellement, les méthodes basées sur les empreintes digitales sont largement utilisées, qui utilisent généralement des empreintes digitales moléculaires conçues manuellement (telles que MACCS et ECFP) comme caractéristiques moléculaires et les introduisent dans des modèles d'apprentissage automatique existants tels que les forêts aléatoires et les machines à vecteurs de support. Cependant, ces empreintes digitales sont des représentations simplifiées de structures moléculaires.En ignorant les informations et les interactions moléculaires complexes,Cela est particulièrement évident dans les molécules OSC aux structures complexes.

Les réseaux neuronaux graphiques (GNN) ont autrefois apporté de l'espoir à ce dilemme : ils ont abstrait les molécules dans des graphiques topologiques de nœuds atomiques et d'arêtes de liaisons chimiques, et ont capturé les caractéristiques structurelles grâce à l'apprentissage profond. Cependant, les modèles existants sont confrontés à un double défi dans l’analyse des molécules OSC :d'une part,La « myopie atomique » des GNN rend difficile la capture des effets de couplage électronique à longue portée sur plusieurs cycles benzéniques ;d'autre part,Le manque de caractérisation des modèles de connectivité entre les systèmes cycliques rend impossible la distinction des différences structurelles clés (par exemple, les effets de la connectivité linéaire par rapport à la topologie en étoile sur la séparation des excitons).

En réponse à ces défis,L'équipe de recherche de l'Université polytechnique de Hong Kong a proposé un cadre innovant, RingFormer.Il s'agit du premier cadre de transformation graphique qui capture les systèmes cycliques dans les molécules OSC. Ce cadre rompt avec la perspective unique de la modélisation traditionnelle au niveau atomique et construit un système de fusion de caractéristiques à double niveau atome-anneau.

Le cœur de cette méthode est d'établir un mécanisme d'interaction dynamique : maintenir la sensibilité aux caractéristiques microscopiques telles que les liaisons chimiques et la distribution de charge au niveau atomique, tout en établissant un réseau d'attention inter-anneaux au niveau de l'anneau pour analyser avec précision les caractéristiques structurelles macroscopiques telles que les bords partagés des anneaux condensés et les arrangements spatiaux des anneaux non condensés.

En introduisant la matrice de connexion inter-anneaux et l'algorithme d'attribution de poids atomique intra-anneau, le modèle peut identifier de manière autonome les systèmes de porte-clés et leurs modèles d'interaction. Les résultats expérimentaux montrent queCette stratégie de modélisation à deux niveaux améliore la précision de prédiction de l'efficacité de conversion de puissance (PCE) à 92%.Il montre des capacités de caractérisation plus fortes dans les molécules avec des systèmes complexes contenant plus de cinq cycles. Cette avancée fournit non seulement un nouveau paradigme pour la conception des matériaux OSC, mais ouvre également une nouvelle voie pour la modélisation par apprentissage automatique de systèmes moléculaires complexes.

RingFormer : représentation de la structure moléculaire des OSC aux niveaux atomique et cyclique

Afin de mieux évaluer cette méthode,Les chercheurs ont compilé cinq ensembles de données moléculaires OSC.Il comprend l'ensemble de données CEPDB généré sur la base de la théorie de la fonctionnelle de la densité (DFT), ainsi que les ensembles de données HOPV, PFD, NFA et PD composés de différents types de molécules OSC. Ces ensembles de données sont divisés en ensembles d'entraînement, de validation et de test dans un rapport de 6:2:2.

Adresse de téléchargement des ensembles de données pertinents utilisés dans la recherche :

https://hyper.ai/cn/datasets/37721

Afin de capturer avec précision les caractéristiques structurelles au niveau atomique et cyclique des molécules OSC, cette étude a proposé le cadre RingFormer.Tout d’abord, un graphique OSC multi-niveaux est construit, puis ce graphique multi-niveaux est codé dans son ensemble via la couche RingFormer pour prédire ses performances.Comme le montre la figure ci-dessous, ce diagramme OSC à plusieurs niveaux comprend des diagrammes au niveau de l'atome, au niveau de l'anneau et au niveau inter-niveaux.

Les diagrammes au niveau atomique décrivent en détail la structure de liaison atomique des molécules OSC, tandis que les diagrammes au niveau des anneaux se concentrent sur les anneaux et leurs connexions pour capturer des systèmes d'anneaux complexes. Le graphique à niveaux croisés est responsable de la modélisation de la relation entre les anneaux et les atomes, représentant ainsi complètement la structure hiérarchique de la molécule. L’intégration de ces trois niveaux fournit une description complète de la structure moléculaire des OSC, permettant une prédiction plus précise des propriétés.

Suivant,Le framework RingFormer combine la transmission de messages locaux et les mécanismes d'attention globaux.Pour capturer les modèles structurels uniques de chaque niveau et apprendre des représentations graphiques expressives. Sur le graphique au niveau atomique, la couche RingFormer utilise des GNN de transmission de messages pour encoder les caractéristiques structurelles locales dans des représentations de nœuds atomiques.

Pour le graphique au niveau de l'anneau, la couche RingFormer introduit un mécanisme d'attention croisée innovant spécialement conçu pour capturer les modèles globaux dans le système d'anneaux, en particulier les connexions entre les anneaux. De plus, la couche RingFormer facilite l'interaction entre les nœuds annulaires et les nœuds atomiques grâce à la transmission de messages sur le graphe inter-niveaux. À la fin de chaque couche RingFormer, une stratégie de fusion hiérarchique est mise en œuvre pour garantir que les informations à différents niveaux peuvent se compléter.

Enfin, après plusieurs couches d'empilement, RingFormer agrège les représentations de nœuds d'atomes et d'anneaux pour former une représentation graphique qui code de manière exhaustive la structure moléculaire des OSC, fournissant une base solide pour la prédiction des performances.

Ensuite, pour évaluer l’efficacité de RingFormer dans la prédiction des performances des OSC, les chercheurs l’ont comparé à 11 modèles de base sur cinq ensembles de données moléculaires OSC. Les résultats expérimentaux montrent queRingFormer surpasse systématiquement le modèle de base.Notamment, sur l'ensemble de données CEPDB à grande échelle, RingFormer réalise une amélioration relative significative de 22,77% par rapport au concurrent le plus proche.

Comme le montre le tableau ci-dessous, en termes d’efficacité de conversion de puissance prévue (PCE),RingFormer obtient les meilleurs résultats sur presque tous les ensembles de données, se classant deuxième uniquement sur l'ensemble de données PFD.En particulier sur l'ensemble de données NFA avec le plus grand nombre moyen d'anneaux, RingFormer surpasse la méthode basée sur les empreintes digitales ECFP de 4,96%. De plus, lorsqu'il s'agit de molécules OSC plus grandes et plus complexes, RingFormer fonctionne toujours bien sur ces ensembles de données, obtenant les meilleures performances dans 3 ensembles de données sur 4.

Les chercheurs ont également utilisé l’ensemble de données CEPDB pour évaluer les performances de RingFormer dans l’apprentissage multitâche. Les résultats montrent queRingFormer surpasse systématiquement les autres modèles concurrents dans les six indicateurs de performance cibles.Et souvent avec des avantages significatifs. De plus, grâce à la fusion des mécanismes de transmission de messages et d'attention globale, le GPS fonctionne également bien dans toutes les performances cibles, juste derrière RingFormer.Cela confirme encore l’importance de capturer les caractéristiques structurelles locales et globales des molécules OSC.

Enfin, les chercheurs ont également évalué les performances de RingFormer lors du traitement de molécules OSC avec différents nombres d’anneaux. À mesure que le nombre d’anneaux dans une molécule augmente, l’amélioration des performances de RingFormer augmente également en conséquence.Cela indique qu’il existe une corrélation positive claire entre les performances supérieures de RingFormer et la complexité du système d’anneau.

De plus, cette étude a également réalisé une analyse visuelle de la représentation graphique des molécules OSC dans l'ensemble de tests CEPDB à l'aide de la technologie UMAP. Par rapport à l'intégration générée par GPS,Les inclusions générées par RingFormer peuvent être clairement distinguées en fonction du nombre d'anneaux dans la molécule OSC.Ces observations confirment davantage la capacité remarquable de RingFormer à capturer la structure complexe des systèmes cycliques.

La technologie de l'IA remodèle l'avenir de l'industrie, et la puissance chinoise derrière les OSC ne peut être ignorée

Dans la vague de transformation énergétique mondiale, les cellules solaires organiques (OSC) passent progressivement du laboratoire à l'avant-garde de l'industrialisation en raison de leur légèreté, de leur flexibilité et de leur faible coût, et les progrès de la recherche des scientifiques chinois dans le domaine des cellules solaires organiques sont accrocheurs.

En 2015, l'équipe de Hou Jianhui à l'Académie chinoise des sciences a proposé la théorie de « l'effet synergique polymère-petite molécule » et a développé le récepteur non fullerène ITIC, dont la configuration tridimensionnelle en forme de papillon permet un engagement précis des molécules.Le produit de l'équipe peut toujours maintenir l'efficacité du 82% dans les conditions climatiques extrêmes du plateau du Qinghai à une altitude de 4 200 mètres, devenant ainsi le premier cas prouvé au monde dans les zones de haute altitude.

D'ici 2025, l'équipe de Li Yaowen de l'Université de Soochow a atteint une efficacité certifiée de 20,82% en régulant le gradient d'arrangement moléculaire de la couche active grâce à la « stratégie de cristallisation séquentielle » et a brisé le goulot d'étranglement de l'industrialisation des dispositifs à couche épaisse.L'efficacité du film de 400 nanomètres d'épaisseur a atteint 17,93%.Elle a jeté les bases du développement de la technologie d’impression rouleau à rouleau.

Dans le même temps, l'équipe de Ge Ziyi à l'Institut des matériaux de Ningbo a conçu un récepteur de quinoxaline SMA qui, grâce à un arrangement moléculaire ordonné,L'efficacité des OSC rigides et flexibles a été augmentée à 20,22% et 18,42% respectivement.Les performances du 96% ont été maintenues même après 2 000 virages, établissant ainsi une nouvelle norme pour les appareils énergétiques portables.

La combinaison de l'IA et de la recherche sur les cellules solaires organiques est déjà apparue dès 2023. L'équipe du professeur Li Youyong de l'Institut des nanomatériaux fonctionnels et de la matière molle de l'Université de Soochow a collaboré avec l'équipe du professeur Yuan Jianyu pour utiliser l'apprentissage automatique afin de réaliser un criblage à haut débit de cellules solaires organiques. Ils ont mené des recherches approfondies sur les propriétés de la structure électronique des molécules organiques grâce à des calculs DFT et ont utilisé la technologie du Big Data pour créer une base de données de matériaux fonctionnels, fournissant une base solide pour la formation de modèles d'apprentissage automatique.Cette recherche améliore non seulement l’efficacité du criblage des matériaux optoélectroniques organiques et réduit les coûts de calcul,Il fournit également un support solide pour la conception et l’optimisation des dispositifs optoélectroniques.

*Titre de la thèse :

Cadre de criblage efficace pour les cellules solaires organiques avec apprentissage profond et apprentissage d'ensemble
*Lien vers l'article :

https://www.nature.com/articles/s41524-023-01155-9

En 2024, une équipe de recherche de l’Université de l’Illinois et de l’Université de Toronto a proposé une méthode révolutionnaire de « transfert en boucle fermée (CLT) » pour transformer l’IA en un moteur de connaissances chimiques explicables. Cette méthode combine la sélection de caractéristiques physiques avec l’apprentissage supervisé.Trente nouvelles molécules ont été examinées au cours de cinq cycles d’expériences en boucle fermée, dont une molécule de collecte de lumière avec une photostabilité multipliée par 5.La forte corrélation entre la densité d'états triplets à haute énergie (TDOS) et la stabilité a été révélée, fournissant un principe de conception universel pour le problème de la photodégradation.

* Titre de l'article :

Le transfert en boucle fermée permet à l'intelligence artificielle de produire des connaissances chimiques
* Lien vers l'article :

https://doi.org/10.1038/s41586-024-07892-1

Également en 2024, Christoph J. Brabec et Wu Jianchang de l'Institut Helmholtz en Allemagne, Wang Luyao de l'Université de Xiamen, Pascal Friederich de l'Institut de technologie de Karlsruhe en Allemagne et Sang Il Seok de l'Institut national des sciences et technologies d'Ulsan en Corée du Sud ont développé conjointement un flux de travail automatisé en boucle fermée. Ce processus combine l’apprentissage automatique et l’expérimentation.Capacité à générer rapidement des règles de conception moléculaire pour des besoins spécifiques d'appareils,Il pose les bases du développement de dispositifs optoélectroniques hautes performances de nouvelle génération tels que les cellules solaires organiques.

* Titre de l'article :

Un flux de travail de conception inverse découvre des matériaux de transport de trous adaptés aux cellules solaires à pérovskite
* Lien vers l'article :

https://doi.org/10.1126/science.ads0901

On constate que la technologie de l’IA joue un rôle de plus en plus important dans la recherche sur les cellules solaires organiques à travers le monde. Il accélère non seulement la découverte de nouveaux matériaux et l’optimisation des performances, mais offre également de nouvelles perspectives et solutions à des problèmes scientifiques de longue date. Avec la maturité continue de la technologie et l'accélération de l'industrialisation, la Chine est devenue un moteur clé du développement de la technologie mondiale des cellules solaires organiques et devrait apporter davantage de sagesse et de solutions chinoises à la future révolution énergétique.