p Dispositivo de célula solar não aceitador de fulereno, para o qual o polímero foi projetado por aprendizado de máquina. Crédito:Universidade de Osaka
p Os pesquisadores da Universidade de Osaka empregaram o aprendizado de máquina para projetar novos polímeros para uso em dispositivos fotovoltaicos. Depois de rastrear virtualmente mais de 200, 000 materiais candidatos, eles sintetizaram um dos mais promissores e descobriram que suas propriedades eram consistentes com suas previsões. Este trabalho pode levar a uma revolução na forma como os materiais funcionais são descobertos. p O aprendizado de máquina é uma ferramenta poderosa que permite que os computadores façam previsões até mesmo sobre situações complexas, contanto que os algoritmos sejam fornecidos com dados de exemplo suficientes. Isso é especialmente útil para problemas complicados na ciência dos materiais, como o projeto de moléculas para células solares orgânicas, que pode depender de uma vasta gama de fatores e estruturas moleculares desconhecidas. Os humanos levariam anos para vasculhar os dados para encontrar os padrões subjacentes - e ainda mais para testar todas as combinações possíveis de polímeros doadores e moléculas aceitadoras que compõem uma célula solar orgânica. Assim, o progresso na melhoria da eficiência das células solares para serem competitivas no espaço das energias renováveis tem sido lento.
p Agora, pesquisadores da Universidade de Osaka usaram o aprendizado de máquina para examinar centenas de milhares de pares doador:aceitador com base em um algoritmo treinado com dados de estudos experimentais publicados anteriormente. A tentativa de todas as combinações possíveis de 382 moléculas doadoras e 526 moléculas aceitadoras resultou em 200, 932 pares que foram testados virtualmente pela previsão de sua eficiência de conversão de energia.
p Fig. 2. Exemplo de estruturas químicas de um polímero (esquerda) e um aceitador não-fulereno (direita). Crédito:Universidade de Osaka
p "Basear a construção de nosso modelo de inclinação de máquina em um conjunto de dados experimental melhorou drasticamente a precisão da previsão, "primeiro autor Kakaraparthi Kranthiraja diz.
p Para verificar este método, um dos polímeros previstos para ter alta eficiência foi sintetizado em laboratório e testado. Suas propriedades foram consideradas em conformidade com as previsões, o que deu aos pesquisadores mais confiança em sua abordagem.
p Fig. 3. Método para o desenvolvimento do modelo de aprendizado de máquina, geração virtual de polímeros, e seleção de polímeros para síntese. Crédito:Universidade de Osaka
p “Este projeto pode contribuir não só para o desenvolvimento de células solares orgânicas altamente eficientes, mas também pode ser adaptado para informática de outros materiais funcionais, "O autor sênior Akinori Saeki diz.
p Podemos ver esse tipo de aprendizado de máquina, em que um algoritmo pode rastrear rapidamente milhares ou talvez até milhões de moléculas candidatas com base em previsões de aprendizado de máquina, aplicado a outras áreas, tais como catalisadores e polímeros funcionais.
