北理王金亮JMCA：机器学习+分子动力学，筛选有机太阳能电池的有效小分子受体

有机太阳能电池（OSC）是未来商业化最有希望的候选者。为了快速实现这一目标，可以通过设计新材料并预测其性能来加速这一过程，而无需进行实验以减少潜在目标的数量。

在此，北京理工大学王金亮教授等人引入了多维设计和发现管道，以系统化材料发现并减少对偶然方法的依赖。具体而言，作者根据从文献中收集的数据进行训练机器学习模型以预测各种特性，例如能级（HOMO和LUMO）、UV/可见光吸收最大值（在溶液和薄膜中）和功率转换效率（PCE）。

根据预测的特性，作者设计和筛选了大约5000个新的小分子受体（SMA），其中1700个与PBT7-Th 能级不匹配的SMA被过滤掉。此外，没有进一步考虑蓝移吸收最大值，而是根据预测的UV/可见吸收最大值将筛选的SMA数量减少到2350个。然后根据预测的PCE 进一步筛选，最终选择了100多个PCE高于13%的 SMA。

图1. 筛选基于PBT7-Th:SMA的OSC设计SMA的管道

此外，作者使用分子动力学（MD）模拟研究PBT7-Th和SMA的混合。基于Flory-Huggins参数研究PBT7-Th:SMAs共混物的混合行为，多步筛选将增加获得有效候选者的机会，最终选择了15个与PBT7-Th平衡混合的SMA。最后，使用普通IDTT内核的最佳预测 PCE 超过15%，该数值远好于报道的结果。

作者相信，该研究开发的具有亚秒计算成本的筛选流程将帮助实验人员为基于PBT7-Th的OSC合成高效的SMA。这种方法可用于测试假设分子的大型数据库，并稍作修改后还可以为其他供体选择有希望的受体材料。

图2. 最终确定的15个与PBT7-Th平衡混合的SMA

Machine learning and molecular dynamics simulations assisted evolutionary design and discovery pipeline to screen the efficient small molecule acceptors for PTB7-Th based organic solar cells with over 15% efficiency, Journal of Materials Chemistry A 2022. DOI: 10.1039/D1TA09762H