有機太陽能電池（OSC）是未來商業化最有希望的候選者。為了快速實現這一目標，可以通過設計新材料并預測其性能來加速這一過程，而無需進行實驗以減少潛在目標的數量。

在此，北京理工大學王金亮教授等人引入了多維設計和發現管道，以系統化材料發現并減少對偶然方法的依賴。具體而言，作者根據從文獻中收集的數據進行訓練機器學習模型以預測各種特性，例如能級（HOMO和LUMO）、UV/可見光吸收最大值（在溶液和薄膜中）和功率轉換效率（PCE）。

根據預測的特性，作者設計和篩選了大約5000個新的小分子受體（SMA），其中1700個與PBT7-Th 能級不匹配的SMA被過濾掉。此外，沒有進一步考慮藍移吸收最大值，而是根據預測的UV/可見吸收最大值將篩選的SMA數量減少到2350個。然后根據預測的PCE 進一步篩選，最終選擇了100多個PCE高于13%的 SMA。

圖1. 篩選基于PBT7-Th:SMA的OSC設計SMA的管道

此外，作者使用分子動力學（MD）模擬研究PBT7-Th和SMA的混合。基于Flory-Huggins參數研究PBT7-Th:SMAs共混物的混合行為，多步篩選將增加獲得有效候選者的機會，最終選擇了15個與PBT7-Th平衡混合的SMA。最后，使用普通IDTT內核的最佳預測 PCE 超過15%，該數值遠好于報道的結果。

作者相信，該研究開發的具有亞秒計算成本的篩選流程將幫助實驗人員為基于PBT7-Th的OSC合成高效的SMA。這種方法可用于測試假設分子的大型數據庫，并稍作修改后還可以為其他供體選擇有希望的受體材料。

圖2. 最終確定的15個與PBT7-Th平衡混合的SMA

Machine learning and molecular dynamics simulations assisted evolutionary design and discovery pipeline to screen the efficient small molecule acceptors for PTB7-Th based organic solar cells with over 15% efficiency, Journal of Materials Chemistry A 2022. DOI: 10.1039/D1TA09762H