Grätzel等人Adv.Sci.：利用可解释机器学习的先进高通量合理设计卟啉敏化太阳能电池

文章预览

准确预测染料敏化太阳能电池（DSSCs）中的功率转换效率（PCE）是一个关键挑战，对于高通量合理设计和筛选有前途的染料敏化剂至关重要。 本研究 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和Michael Grätzel等人 提出了精确的、预测性的、可解释的机器学习（ML）模型，这些模型是专门为锌卟啉敏化太阳能电池设计的。该模型利用理论上可计算的、有效的、可重用的分子描述符（MDs）来应对这一挑战。模型在17个新设计的电池的“盲测”中表现出色，平均绝对误差（MAE）为1.02%。值得注意的是，有10种染料的预测误差在1%以内。这些结果验证了ML模型及其在探索Zn-卟啉未开拓的化学空间方面的重要性。SHAP分析识别出与实验观察结果一致的关键MDs，为DSSCs中染料的合理设计提供了宝贵的化学指导。 这些预测性 ………………………………