Onderzoekers van de Universiteit van Osaka gebruikten machine learning om nieuwe polymeren te ontwerpen voor gebruik in fotovoltaïsche apparaten. Na het virtueel screenen van meer dan 200, 000 kandidaat-materialen, ze synthetiseerden een van de meest veelbelovende en ontdekten dat de eigenschappen ervan consistent waren met hun voorspellingen. Dit werk kan leiden tot een revolutie in de manier waarop functionele materialen worden ontdekt.

Machine learning is een krachtig hulpmiddel waarmee computers voorspellingen kunnen doen over zelfs complexe situaties, zolang de algoritmen maar worden voorzien van voldoende voorbeeldgegevens. Dit is vooral handig voor ingewikkelde problemen in de materiaalwetenschap, zoals het ontwerpen van moleculen voor organische zonnecellen, die kan afhangen van een breed scala aan factoren en onbekende moleculaire structuren. Het zou mensen jaren kosten om de gegevens te doorzoeken om de onderliggende patronen te vinden - en zelfs nog langer om alle mogelijke kandidaat-combinaties van donorpolymeren en acceptormoleculen waaruit een organische zonnecel bestaat, te testen. Dus, de vooruitgang bij het verbeteren van de efficiëntie van zonnecellen om concurrerend te zijn op het gebied van hernieuwbare energie is traag.

Nutsvoorzieningen, onderzoekers van de universiteit van Osaka gebruikten machine learning om honderdduizenden donor:acceptorparen te screenen op basis van een algoritme dat is getraind met gegevens uit eerder gepubliceerde experimentele onderzoeken. Het proberen van alle mogelijke combinaties van 382 donormoleculen en 526 acceptormoleculen resulteerde in 200, 932 paren die virtueel werden getest door hun energieconversie-efficiëntie te voorspellen.

"Door de constructie van ons machine-leunend model op een experimentele dataset te baseren, werd de voorspellingsnauwkeurigheid drastisch verbeterd, " zegt eerste auteur Kakaraparthi Kranthiraja.

Om deze methode te verifiëren, een van de polymeren waarvan werd voorspeld dat ze een hoog rendement zouden hebben, werd in het laboratorium gesynthetiseerd en getest. De eigenschappen bleken te voldoen aan voorspellingen, waardoor de onderzoekers meer vertrouwen kregen in hun aanpak.

"Dit project kan niet alleen bijdragen aan de ontwikkeling van zeer efficiënte organische zonnecellen, maar kan ook worden aangepast aan materiële informatica van andere functionele materialen, " zegt senior auteur Akinori Saeki.

We kunnen dit type machine learning zien, waarin een algoritme snel duizenden of misschien zelfs miljoenen kandidaat-moleculen kan screenen op basis van voorspellingen van machine learning, toegepast op andere gebieden, zoals katalysatoren en functionele polymeren.