AFM：数据驱动的分子编码用于钙钛矿太阳能电池中有机添加剂的有效筛选

NavyLIu

2025-07-11

机器学习（ML）在筛选平面钙钛矿光伏的有机分子添加剂方面显示出了巨大潜力，但由于数据集较小和对预定义描述符的依赖，预测偏差往往会阻碍机器学习。近日，西北工业大学刘哲、王洪强、Chen Ruihao报道了用于钙钛矿添加剂筛选（Co-PAS）的Co-Pilot，这是一种ML驱动的框架，旨在加速钙钛矿太阳能电池（PSC）的添加剂（或钝化剂）筛选。

本文要点：

1)      Co-PAS中集成的分子支架分类器（MSC）用于支架的预筛选，并利用连接树变分自编码器（JTVAE）实现了数据驱动的分子结构表示，显著提高了功率转换效率（PCE）预测的准确性。

2)      通过应用Co-PAS筛选从PubChem中随机抽取的25万个分子，根据预测的PCE值和关键分子特性（包括供体数、偶极矩和氢键受体计数）对候选分子进行优先级排序。

3)      该工作流筛选出了76种有前景的候选物，包括Boc-L-甲状腺素N-羟基琥珀酰亚胺酯（BTN），这是一种未被探索的PSC添加剂。具有BTN的太阳能电池实现了25.20%的器件PCE。

参考文献：

Yang Pu et.al Data-Driven Molecular Encoding for Efficient Screening of Organic Additives in Perovskite Solar Cells Adv. Functional Mater. 2025

DOI: 10.1002/adfm.202506672

https://doi.org/10.1002/adfm.202506672