Michael Grätzel等最新Adv. Sci.：利用可解释的机器学习对卟啉敏化太阳能电池进行先进的高通量合理设计

文章预览

       准确预测染料敏化太阳能电池中的功率转换效率是一项关键挑战，对于高通量合理设计和筛选有前景的染料敏化剂至关重要。鉴于此，2024年9月24日 国立中央大学Hui-Hsu Gavin Tsai & 国立中兴大学Chen-Yu Yeh & 洛桑联邦理工学院Shaik M Zakeeruddin Grätzel 于Advanced Science刊发利用可解释的机器学习对卟啉敏化太阳能电池进行先进的高通量合理设计的研究成果，本研究提出了专为 Zn-卟啉敏化太阳能电池设计的精确、可预测且可解释的机器学习(ML)模型。该模型利用理论上可计算、有效且可重复使用的分子描述符(MD)来应对这一挑战。这些模型在17个新设计的电池的“盲测”中取得了优异的表现，平均绝对误差(MAE)为1.02%。值得注意的是，10种染料的预测误差在1%的范围内。这些结果验证了 机器学习 模型及其在探索Zn-卟啉未知化学空间中的重要性。SHAP分析确定 ………………………………