从“终结者”和“刀片跑步者”到“矩阵”，好莱坞教导我们谨慎态度。但而不是将我们的厄运密封在大屏幕上，算法可能是气候危机至少有一个问题的解决方案。
Exciton科学卓越卓越中心的研究人员已成功创建了一种新型的机器学习模型，以预测可用于下一代有机太阳能电池的材料的功率转换效率（PCE），包括“虚拟”化合物尚不存在。
与某些耗时和复杂的模型不同，最新方法很快，易于使用，代码可供所有科学家和工程师自由使用。
开发更高效和用户友好的模型的关键是替代复杂和计算昂贵的参数，这需要量子力学计算，具有分析的分子的更简单和化学可解释的签名描述符。它们提供有关影响PCE的材料中最重要的化学碎片的重要数据，产生可用于设计改进材料的信息。
灵活的下一代太阳能电池的示例。
新方法有助于在可再生能源需求及其在减少碳排放方面的重要性时大大加快设计更高效的太阳能电池的过程。结果已在自然期刊计算材料中发表。
经过几十年依靠硅，这相对昂贵并缺乏灵活性，注意力越来越多地转向有机光伏（OPV）太阳能电池，这将通过使用印刷技术更便宜，以及更通用，更容易处理。
RMIT大学的Nastaran Meftahi博士和Exciton科学卓越卓越中心。
主要挑战是通过巨大的潜在合适的化合物来分类，这些化合物可以合成（由科学家量身定制）用于OPV。
研究人员尝试在解决此问题之前使用机器学习，但许多这些模型是耗时的，所需的计算机处理能力并且难以复制。并且，至关重要的是，他们没有为寻求建造新的太阳能设备的实验科学家提供足够的指导。
现在，由Nastaran Meftahi博士和RMIT大学萨尔维斯·Russo教授领导的工作与Udo Bach的博士教授在Monash University一起成功地解决了许多这些挑战。
“其他模型的大部分都使用复杂和计算方式的电子描述符，而且它们并不是化学上可解释的，”Nastaran说。
“这意味着实验化学家或科学家无法从这些模型中获得想法来设计和合成实验室的材料。如果他们看看我的模型，因为我使用简单，化学上可解释的描述符，他们可以看到重要的碎片。“
纳斯塔兰的工作得到了CSIRO数据61，Monash University，La Trobe大学和诺丁汉大学的CSIRO数据61的戴夫Winkler。Winkler教授共同创建了生物偶像程序，为新的开源模型提供了基础。
通过使用它，研究人员已经能够产生稳健和预测性的结果，以及在其他数据之间产生的分子签名与未来OPV设备的效率之间的定量关系。
Nastaran和她的同事现在打算将其工作的范围扩展到包括更大，更准确的计算和实验数据集。
参考：Nastaran Meftahi，Mykhailo Klymenko，Andrew J. Christofferson，Udo Bach，David A. Winkler和Salvy P. Russo，11月6日，NPJ 2012年11月6日，NPJ计算资料.DOI：
10.1038 / S41524-020-00429-W
