Ускорить поиск эффективных полимеров удалось при помощи машинного обучения

Сотрудники Университета Осаки (Япония) разработали алгоритм машинного обучения, способный отбирать материалы для синтеза полимеров, применяемых в фотоэлектрических устройствах. Материалы исследования появились в журнале Advanced Functional Materials.

Известно, что алгоритмы машинного обучения являются мощным инструментом для составления компьютерных прогнозов. Эта технология особенно широко применяется в области материаловедения, например, для подбора и проектирования молекул для фотоэлектрических элементов.

Японские исследователи применили машинное обучение для анализа более 200 тыс. пар донор-акцепторов. Для обучения алгоритма были использованы материалы экспериментов, опубликованные ранее. Испытание комбинаций из 382 донорных и 526 акцепторных молекул выявило 200 932 функциональные пары, тестирование которых проводилось при помощи прогнозирования их эффективности в преобразовании энергии.

Исследователи заявили, что использование машинной модели позволило в значительной степени повысить точность прогнозов. Для дальнейшей проверки результатов прогнозирования, ученые синтезировали один из высокоэффективных полимеров и протестировали его свойства в лабораторных условиях. Специалисты выявили совпадение компьютерных предсказаний и показателей материала. По словам старшего автора исследования Акинори Саэки, данный проект может способствовать разработке эффективных органических солнечных элементов, а также применяться для работы с другими функциональными материалами.