Die Entdeckung von hochleistungsfähigen Nonfullerene-Akzeptoren (NFAs) für organische Solarzellen (OSCs) wird durch die Weite des chemischen Raums und die Notwendigkeit, mehrere eng miteinander verbundene elektronische Kriterien zu erfüllen, herausgefordert. Hier präsentieren wir einen physik-informierten generativen Rahmen, der ein evidenzbasiertes Nachrichtenaustausch-Neuronennetzwerk (MPNN) mit einem constraints-kodierten genetischen Algorithmus (GA) integriert, um inverses molekulares Design zu ermöglichen, das direkt durch quantenrelevante Deskriptoren geleitet wird. Anstatt sich auf empirische OSC-Effizienz-Surrogate zu verlassen, optimiert der GA drei wichtige molekulare Eigenschaften, die die Effizienz der Erzeugung von Ladungen beeinflussen – Oszillatorstärke (f), Exziton-Bindungsenergie (Eb) und die LUMO-LUMO+1 Energie-Differenz (ΔELUMO) – während er strukturelle Gültigkeit und chemischen Realismus während der Evolution durchsetzt. Der kombinierte MPNN-GA-Workflow erforscht effizient eine vielfältige chemische Landschaft und konvergiert zu synthetisch plausiblen NFAs, die strenge multiobjektive Einschränkungen erfüllen. Vorgeschlagene Eigenschaften zeigen starke Übereinstimmung mit quantenchemischen Referenzwerten, was die Zuverlässigkeit des Surrogatmodells bestätigt. Pareto-Analysen zeigen zudem, dass die generative Pipeline etablierte quanten-chemische Kompromisse erfasst und die zugängliche Designgrenze erweitert, indem sie Kandidaten identifiziert, die gleichzeitig hohe f, niedrige Eb und unterdrückte ΔELUMO aufweisen. Diese Ergebnisse demonstrieren einen skalierbaren und interpretierbaren Ansatz für das physikgetriebene inverse Design von NFAs der nächsten Generation und bieten eine verallgemeinerbare Strategie für die molekulare Entdeckung in der organischen Elektronik.
Das et al. (Fri,) untersuchten diese Frage.