在過去的十年中，全球環保意識的日益增強以及對可再生能源需求的持續增長，極大地推動了光伏技術的快速發展。作為最具代表性的碳中和能源和增長最快的可再生能源，太陽能技術得到了廣泛的關注和實際應用。在眾多光伏技術中，有機光伏（OPV）憑借其高通量制造的顯著優勢，成為了一種具有革命性的太陽能技術。然而，與無機太陽能電池和鈣鈦礦太陽能電池相比，OPV在功率轉換效率（PCE）和長期穩定性方面仍面臨重大挑戰。

此外，傳統的OPV材料開發過程通常依賴于大量的試錯實驗，包括復雜的化學合成和新型受體的PCE測試，這不僅耗費大量的時間和資源，也嚴重制約了材料開發的效率。為了應對這些挑戰，研究人員開始探索利用人工智能（AI）技術來預測材料特性和篩選潛在候選材料，從而減輕實驗過程的資源密集型負擔，并顯著縮短材料開發周期。通過引入先進的機器學習算法和創新的結構表征方法，研究人員能夠更高效地設計、優化和篩選高性能OPV材料,進一步推動了光伏技術的可持續發展。

來自南方科技大學葉財超團隊與南京理工大學熊攀、居學海團隊合作，提出了一種基于“聚合基元指紋”（PUFp）的機器學習策略，用于高效設計與開發高性能非富勒烯受體材料（NFA）。這一跨學科研究結合機器學習與材料科學，為有機光伏材料設計提供了新思路。研究團隊通過整合機器學習與PUFp結構表示方法，開發了一個高效的預測模型，能夠準確識別聚合物單元與功率轉換效率（PCE）之間的關聯。

Fig. 1 Explanation of Fingerprints and Descriptors

Fig. 2 Workflow of Building, Application, and Evaluations of Machine Learning Methods in This Work.

PUFp基于團隊前期提出的“聚合基元”（PUs）概念，利用PURS腳本對有機光伏（OPV）數據集中的SMILES字符串進行PUs識別與劃分，生成指紋特征。每個OPV分子表示為一個維度為（T, N）的節點矩陣，通過求和運算得到PUFp指紋。這種方法顯著提升了模型預測的準確性，為OPV材料的性能預測與優化提供了理論基礎。為評估PU對PCE的貢獻，研究團隊對1343種NFA材料進行了SHAP分析，量化了PUs對PCE的影響，并揭示了其作為供體/受體（D/A）聚合物分子構建塊的作用機理。

Fig. 3 Key Features Analysis.

Fig. 4 Statistics of Experimental Device Parameters (～1343 points).

Fig. 5 Polymer-Unit Library: Polymer Units are Classified According to the Number of Rings and the Type of Elements

通過組合優化關鍵PU，團隊成功設計了多種高性能OPV材料，展示了PUFp-ML方法在新材料設計中的強大能力。團隊還構建了高質量的OPV材料實驗數據集，利用PUFp-ML模型篩選出兩種最具應用前景的NFA材料。

Fig. 6 Identification of Key Polymer Units by Using a SHAP Evaluation.

Figure 7 Design and Screening of High PCE OPV Acceptor Materials

該研究揭示了人工智能方法在設計和優化NFA材料中的潛力，特別是在PCE預測方面具有顯著優勢。團隊開發PUFp-AI驅動方法為NFA材料的高效篩選提供了創新解決方案，加速了下一代高性能OPV材料的開發和機制研究。

論文鏈接：

https://www.nature.com/articles/s41524-025-01608-3