Fig. 1. Explorando novos polímeros para células solares de polímero usando informática de materiais. (Superior) Exemplo de uma estrutura de polímero composta de doador de elétrons, aceitador de elétrons, e cadeias alquil. (Meio) Classificação pelo método de floresta aleatória. (Inferior) Combinação sinérgica de informática de materiais, experimentos práticos, e inteligência humana. Crédito:Universidade de Osaka
As células solares desempenharão um papel fundamental na mudança para uma economia renovável. Fotovoltaicos orgânicos (OPVs) são uma classe promissora de células solares, baseado em uma molécula orgânica absorvente de luz combinada com um polímero semicondutor.
Os OPVs são feitos de baixo custo, materiais leves, e se beneficiam de boa segurança e fácil produção. Contudo, suas eficiências de conversão de energia (PCEs) - a capacidade de converter luz em eletricidade - ainda são muito baixas para comercialização em grande escala.
O PCE depende tanto da camada orgânica quanto da camada de polímero. Tradicionalmente, químicos têm experimentado diferentes combinações destes por tentativa e erro, levando a uma grande perda de tempo e esforço.
Agora, uma equipe de pesquisadores da Universidade de Osaka usou a energia do computador para automatizar a busca por materiais solares adequados. No futuro, isso poderia levar a dispositivos muito mais eficientes. O estudo foi relatado no Journal of Physical Chemistry Letters .
“A escolha do polímero afeta várias propriedades, como corrente de curto-circuito, que determinam diretamente o PCE, "O primeiro autor do estudo, Shinji Nagasawa, explica." No entanto, não há uma maneira fácil de projetar polímeros com propriedades aprimoradas. O conhecimento químico tradicional não é suficiente. Em vez de, usamos inteligência artificial para orientar o processo de design. "
Fig. 2. Conversão fotoelétrica em células solares de polímero e estruturas químicas dos materiais ativos. Crédito:Universidade de Osaka
A informática pode dar sentido a grandes, conjuntos de dados complexos, detectando tendências estatísticas que escapam aos especialistas humanos. A equipe coletou dados em 1, 200 OPVs de cerca de 500 estudos. Usando o aprendizado de máquina Random Forest, eles construíram um modelo combinando o gap, peso molecular, e a estrutura química desses OPVs anteriores, junto com seu PCE, para prever a eficiência de novos dispositivos potenciais.
A Random Forest descobriu uma correlação melhorada entre as propriedades dos materiais e seu desempenho real em OPVs. Para explorar isso, o modelo foi usado para "triar" automaticamente os polímeros em potencial para seu PCE teórico. A lista dos principais candidatos foi então reduzida com base na intuição química sobre o que pode ser sintetizado na prática.
Essa estratégia levou a equipe a criar um novo polímero não testado anteriormente. No evento, um OPV prático baseado nesta primeira tentativa se mostrou menos eficiente do que o esperado. Contudo, o modelo forneceu insights úteis sobre a relação estrutura-propriedade. Suas previsões podem ser melhoradas incluindo mais dados, como a solubilidade dos polímeros em água, ou a regularidade de sua espinha dorsal.
Fig. 3. Exemplo de seleção de cadeia de alquil usando floresta aleatória. Crédito:Universidade de Osaka
"O aprendizado de máquina pode acelerar enormemente o desenvolvimento de células solares, uma vez que prediz instantaneamente resultados que levariam meses no laboratório, "O co-autor Akinori Saeki diz." Não é uma substituição direta para o fator humano - mas pode fornecer um suporte crucial quando os projetistas moleculares precisam escolher quais caminhos explorar ".
