有機太陽能電池具有可撓與低成本優(yōu)勢，利用導電聚合物或小分子吸收光并轉移電荷，只要少量有機物就可吸收大量的光。其制造方式也較簡單，可采用低價材料和簡易印刷技術制程，可以說是太陽能光伏發(fā)電產業(yè)的明日之星。

　　

　　然而目前有機太陽能電池的光電轉換效率太低、處在11%~12%之間，距離商業(yè)化標準15%還有一段距離，科學家也還沒找到最適合的聚合物材料，因此有機太陽能還無法達到商業(yè)化。日本大阪大學工學院準教授長澤慎司（ShinjiNagasawa）表示，聚合物與有機太陽能電池的短路電流（short-circuitcurrent）有關，會大大影響太陽能板的光電轉換效率。

　　

　　但聚合物由受體單元、予體單元、隔片、烷基鏈組成，研究員佐伯昭紀（AkinoriSaeki）補充，假設每個單元有20種選擇，排列組合數會超過100萬。且由于轉換效率是綜合各個復雜因素的結果，牽涉到薄膜形態(tài)、p型和n型半導體界面與材料溶解度，即使利用量子化學計算也無法預測太陽能電池效率。
 

　　
 

　　如果要一一測試將會消耗大量時間，因此研究員想通過人工智能來提高搜尋效率。

　　

　　為減少計算機篩選數量，研究團隊先從約500項研究中收集了1,200份有機太陽能數據，再用機器學習算法“隨機森林（RandomForest）”建構了一組模型，其中結合有機太陽能的能隙、分子量、化學結構、轉換效率與電子特性資料，能預測潛力設備的理論轉換效率。

　　

　　“隨機森林”可找出材料性能與有機太陽能實際效率的相關性，團隊則善加利用這一優(yōu)勢，將模型用來篩選新型聚合物的理論轉換效率，并成功找出一種先前從未測試的聚合物。

　　

　　雖然實際測試之后結果不如預期，但該模型在材料結構與性質提供許多有用的見解。研究員認為，只要加入更多的資料，象是聚合物在水中的溶解度等，就可以進一步提高模型實用性。

　　

　　佐伯昭紀表示，該模型并不完美，準確度僅20%~50%。不過機器學習能夠實時預測實驗室需要數月才能得到的結果，可大大提升太陽能電池開發(fā)速度。顯然這項機器學習技術還不能無法完全取代人，但仍可為分子設計師提供關鍵材料選項、分擔工作量，目前研究已發(fā)表在《TheJournalofPhysicalChemistryLetters》。