Machine Learning Co-pilot for Screening of Organic Molecular Additives for Perovskite Solar Cells

要約

機械学習 (ML) は、効果的な有機分子添加剤をスクリーニングするために平面ペロブスカイト太陽光発電に広く採用されていますが、データセットが小さいことや事前定義された記述子への依存により、新規材料の予測バイアスに直面しています。
したがって、現在の研究では、ペロブスカイト太陽電池 (PSC) の添加剤スクリーニングを加速するために設計された ML 駆動のフレームワークである、ペロブスカイト添加剤スクリーナー (Co-PAS) のための効果的なアプローチを提案します。
Co-PAS は、足場ベースのプレスクリーニングに分子足場分類器 (MSC) を統合し、ジャンクション ツリー変分オートエンコーダー (JTVAE) 潜在ベクトルを利用して分子構造表現を強化することにより、予測バイアスを克服し、それによって電力変換効率 (PCE) の精度を高めます。
予測。
Co-PAS を活用して、ドメイン知識を統合して、PubChem からの 250,000 分子の広範なデータセットをスクリーニングし、予測される PCE 値と、ドナー数、双極子モーメント、水素結合アクセプター数などの主要な分子特性に基づいて候補を優先順位付けします。
このワークフローは、新規の Boc-L-スレオニン N-ヒドロキシスクシンイミド エステル (BTN) を含む、いくつかの有望な不動態化分子の同定につながります。BTN は、我々の知る限り、PSC の添加剤としては研究されておらず、デバイス PCE 25.20 を達成しています。
%。
私たちの結果は、高性能 PSC の添加剤発見を進める上での Co-PAS の可能性を強調しています。

要約(オリジナル)

Machine learning (ML) has been extensively employed in planar perovskite photovoltaics to screen effective organic molecular additives, while encountering predictive biases for novel materials due to small datasets and reliance on predefined descriptors. Present work thus proposes an effective approach, Co-Pilot for Perovskite Additive Screener (Co-PAS), an ML-driven framework designed to accelerate additive screening for perovskite solar cells (PSCs). Co-PAS overcomes predictive biases by integrating the Molecular Scaffold Classifier (MSC) for scaffold-based pre-screening and utilizing Junction Tree Variational Autoencoder (JTVAE) latent vectors to enhance molecular structure representation, thereby enhancing the accuracy of power conversion efficiency (PCE) predictions. Leveraging Co-PAS, we integrate domain knowledge to screen an extensive dataset of 250,000 molecules from PubChem, prioritizing candidates based on predicted PCE values and key molecular properties such as donor number, dipole moment, and hydrogen bond acceptor count. This workflow leads to the identification of several promising passivating molecules, including the novel Boc-L-threonine N-hydroxysuccinimide ester (BTN), which, to our knowledge, has not been explored as an additive in PSCs and achieves a device PCE of 25.20%. Our results underscore the potential of Co-PAS in advancing additive discovery for high-performance PSCs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google