利用机器学习与深度学习的有机太阳能电池可持续设计

为变化中的世界打造更智能的太阳能电池

如今屋顶和田野上的太阳能板已司空见惯，但许多人不知道实验室中正在出现一种轻便、柔性的“塑料”太阳能电池。本文探讨研究人员如何利用计算机模拟和人工智能来设计这些有机太阳能电池，使其将更多阳光转化为电能、减少材料浪费，并更好地支持全球气候与可持续发展目标。

这些太阳能电池有何不同

传统太阳能板通常由刚性的硅片制成。相比之下，有机太阳能电池由可印刷在柔性基片上的薄碳基层构成。它们可以做到轻便、多彩，并且在制造上有潜在的成本优势。但其缺点是转换效率——即将太阳能转为可用电能的比率——历来落后于硅基器件。得益于新型有机材料，实验室器件的效率已超过18%。要进一步提升，科学家必须精细调整携带电荷的内部层堆栈，尤其是电子传输层、空穴传输层以及位于两者之间的吸光活性层。

用虚拟实验替代反复试错

作者并非在实验室中制造大量测试电池，而是使用名为 SCAPS‑1D 的详细计算程序进行“虚拟实验”。他们关注一种特定器件结构：在空穴传输层（PEDOT:PSS）和电子传输层（PFN‑Br）之间夹着名为 PBDB‑T:IT‑M 的活性混合层，一侧为透明的氧化铟锡，另一侧为铝。首先，他们验证模拟器能否重现已发表的实验结果，发现其对电压、电流和整体效率等关键指标的再现非常接近。这使他们有信心在计算机上探索新设计，而无需在洁净室中混合或涂覆任何材料。

在层堆栈中寻找最佳点

在虚拟器件得到验证后，团队系统地调整每层的材料与厚度，以找出最优组合。在若干电子传输候选材料中，PFN‑Br 表现最好，主要因为其内部能级与活性层匹配良好，有助于电子顺利传输到金属电极。当他们将 PFN‑Br 厚度从 5 到 30 纳米（纳米为十亿分之一米）变化时发现，非常薄的层——约 5 到 10 纳米——能提供最高的效率。较厚的层会引入额外电阻，导致更多能量损失。对于活性层本身，变厚可以捕获更多光，但也使电荷在复合前更难逃逸。模拟显示理想厚度在约 300 纳米处，光吸收与电荷传输达到了较好的平衡。

让人工智能学习最佳设计

即便是大量详细模拟也很耗时，于是研究人员加入了第二种工具：人工智能。他们生成了包含 300 个不同厚度组合（两个传输层与活性层不同选择）的模拟太阳能电池数据集，然后训练了两类 AI 模型——卷积神经网络（CNN）和支持向量回归（SVR）——来预测关键结果：整体效率和开路电压。训练完成后，CNN 可以在不重新运行完整物理模拟的情况下即时估算新设计的性能。在测试中，CNN 在预测效率方面的误差明显小于 SVR，能够捕捉厚度微小变化通过器件行为产生的复杂非线性影响。

将更好太阳能电池与更绿色的未来连接起来

在实验室之外，团队将其结果与全球可持续发展目标相联系。通过将模拟效率几乎从约 12% 提升到约 19.5%，优化后的有机太阳能电池可以在相同面积上产生更多电力，从而减少所需材料、土地和支撑硬件。这有助于实现更清洁且更可负担的能源（可持续发展目标 7）、更具创新性和高效的产业（目标 9）、更负责任的资源使用（目标 12）以及更有力的气候行动（目标 13）。简单来说，这项工作展示了将虚拟测试与 AI 结合如何更快地设计更智能的太阳能电池，减少浪费并加速柔性高性能光伏技术走进日常生活。

引用: Mohyeldien, O.M., El-Amary, N.H. & Al Bardawil, A. Sustainable design of organic solar cells utilized machine and deep learning. Sci Rep 16, 3728 (2026). https://doi.org/10.1038/s41598-026-35067-7

关键词: 有机太阳能电池, 机器学习, 层厚度优化, 光伏效率, 可持续能源