用多层机器学习方法，轻松搞定有机太阳能电池的复杂参数优化

本文针对有机光伏（OPV）活性层加工中多参数、强耦合、难优化的核心难题，提出了一套系统性、分层次的机器学习（ML）优化框架。研究首先整理了2016–2025年间近千篇文献，建成涵盖361种聚合物给体、933种非富勒烯受体、9项关键加工参数（如给/受体配比、溶剂类型、添加剂、旋涂速率、退火温度等）及对应光电转换效率（PCE）的标准化数据库。在此基础上，作者创新性地设计了三级建模策略：第一级为单参数模型，分别分析每个加工参数对PCE的独立影响，建立量化基线；第二级为分阶段组合模型，将9个参数按实际制备流程划分为“溶液配制”“旋涂成膜”“后处理”三个阶段，捕捉各阶段内部协同效应（例如溶剂与添加剂的相互作用）；第三级为全局九参数联合优化模型，直接在完整高维空间中搜索全局最优解。模型采用梯度提升回归树（GBRT）算法，并融合三类描述符：加工参数本身（Dev）、分子几何指纹（Fp）和量子化学计算获得的电子结构性质（Ele）。结果表明，仅结合电子结构描述符的Dev+Ele模型表现最佳——在内部验证中，PCE预测相关系数>0.9，识别最优工艺组合的成功率达81%（测试集），显著优于其他组合，有效避免了过拟合。更重要的是，该模型在78组外部新体系（含训练集中从未出现过的给体或受体分子）上开展外推验证，对各单项加工参数的最优或次优条件预测准确率均超过75%，证明其具备跨材料体系的泛化能力。文章强调，电子结构描述符（如能隙、偶极矩、极化率）比高维几何指纹更能稳定反映材料本质特性，是实现可靠全局优化的关键。本工作不仅提供了实用、可复现的数据驱动工具，还为未来拓展至三元共混、叠层电池等更复杂体系奠定了方法论基础，有望大幅加速高性能有机太阳能电池的理性设计与实验优化进程。