Dépistage Assisté par Ordinateur de Polymères Conjugués pour Cellules Solaires Organiques : Classification par Forêt Aléatoire

En raison de la diversité des structures chimiques, les applications photovoltaïques organiques (OPV) avec un cadre hétérojonction en vrac ont considérablement évolué au cours des deux dernières décennies, produisant de nombreux semi-conducteurs organiques présentant des efficacités de conversion de puissance (PCE) améliorées. Malgré les progrès récents rapides en informatiques des matériaux et en science des données, la conception moléculaire guidée par les données des matériaux OPV reste un défi. Nous rapportons un dépistage de molécules conjuguées pour des applications OPV polymère-fullérène par des méthodes d'apprentissage supervisé (réseau de neurones artificiels (ANN) et forêt aléatoire (RF)). Environ 1000 paramètres expérimentaux, y compris PCE, poids moléculaire et propriétés électroniques, sont collectés manuellement dans la littérature et soumis à l'apprentissage automatique avec des structures chimiques numérisées. Contrairement au faible coefficient de corrélation dans ANN, RF donne une précision acceptable, deux fois celle de la classification aléatoire. Nous démontrons l'application du dépistage RF pour la conception, la synthèse et la caractérisation d'un polymère conjugué, ce qui facilite un développement rapide des matériaux optoélectroniques.