想象一下，正在尋找最佳配置來構建由不同聚合物制成的有機太陽能電池。您將如何開始呢？有源層需要非常厚還是非常薄？它是否需要大量的聚合物？

現在，來自巴塞羅那材料科學研究所的研究人員專門研究了能源應用材料，并與來自專門研究人工智能的RoviraiVirgili大學的研究人員進行了合作，將他們收集的實驗數據點與人工智能算法結合起來，從而實現了對有機太陽能電池性能的前所未有的預測能力。

由馬里亞諾·坎波伊·奎爾斯（MarianoCampoy-Quiles）領導的ICMAB研究人員通過使用一種新的實驗方法生成了多個數據集，該方法允許他們僅在一個樣本中擁有大量樣本，與傳統方法相比，可以縮短時間。然后，使用機器學習模型從這些數據集中學習并預測甚至更多材料的性能，例如倫敦帝國理工學院的馬丁·海尼教授組合成的新型有機半導體。

這項研究可能是結合人工智能和高通量實驗來預測某些材料和設備的最佳條件的眾多領域中的第一個。

高通量實驗中使用的基于梯度的有機太陽能電池樣品。圖片：ICMAB）

獲取多個實驗數據點

這項研究的關鍵方面之一是，研究人員能夠以最小的實驗努力生成大量有意義的數據集。這是機器學習建模成功的重要方面，以獲得準確可靠的模型和預測。

研究人員使用了一種基于組合篩選的方法，在該方法中，他們生成的樣品中的梯度參數主要影響有機太陽能電池的性能（即成分和厚度）。

“使用傳統方法時，樣本只為您提供有關一個點的信息。但是，使用我們的方法，我們可以獲得10到1000倍的積分。一方面，這允許評估材料的光伏電勢比傳統方法快約50倍。在另一方面，它提供了大量的統計數據和龐大的數據集（幾十萬點），使我們能夠可靠地訓練不同的人工智能算法。”馬里亞諾Campoy-基萊斯，是ICMAB的研究員，該研究的合著者。

人工智能算法來預測行為

“在人工智能的廣泛領域中，我們在這項工作中應用了機器學習，該術語收集了各種算法，這些算法賦予機器（即計算機）從給定數據集中學習的能力，但不一定要自主決策。在這里，我們利用AI的更多統計視野從大型實驗數據集中繪制預測模型。”ICMAB研究人員，該研究的第一作者XabierRodríguez-Martínez解釋說。

材料科學領域的人工智能算法主要用于查找行為模式，并進一步針對給定應用開發一系列材料行為的預測模型。為此，首先對算法進行訓練，方法是將其暴露于真實數據以生成模型算法。然后，使用不用于創建模型的其他數據點來驗證模型，而是使用相同類別的材料。驗證之后，該算法將用于預測其他類似材料的行為，這些材料不屬于訓練或驗證集中。

在此特定研究中，以高通量方法獲得的數千個點訓練AI算法，以評估和預測決定有機太陽能電池效率的不同因素。“在這種情況下，使用AI算法尤其具有挑戰性，”該研究的合著者，ICREAURV教授RogerGuimerà解釋說，“由于數據的數量和復雜性，并且最終目的是推斷從未經過測試的新材料。”

成就與未來挑戰

這項工作代表了兩項偉大的成就。一方面，開發AI模型以預測效率如何取決于許多有機太陽能電池參數。即使對于訓練集中未使用的材料，預測程度也很高。

MarianoCampoy-Quiles說：“第二個重要點是，由于有了AI，我們已經確定了哪些物理參數會在更大程度上影響這種行為”，并補充說：“特別是，我們已經看到最關鍵的參數決定了最佳的組成是每種材料的電子間隙，以及每種材料中電荷傳輸的平衡程度。”

研究人員認為，本研究中開發的結果和方法對于指導理論研究人員在開發試圖確定給定系統效率的未來分析模型時應考慮的因素非常重要。

“我們的下一個挑戰是了解更加復雜的系統。Campoy-Quiles總結說，系統越復雜，人工智能就越有用。