新材料的发现是一个领域发展的关键。本文提出了一种闭环材料发现工作流程，结合高通量合成、自动化表征和机器学习，快速筛选出具体特定属性的有机半导体材料。这一创新工作流极大地加速了材料发现的速度，仅用几个月就发现了性能卓越的分子，并实现了认证效率25.9%的钙钛矿电池。这项工作不仅为太阳能材料的开发提供了新思路，也为其他领域的研究开辟了全新可能性。

新材料如何塑造未来？

  从硅到锂电池，从有机半导体到高分子光电材料，材料科学的突破始终驱动着技术革命。然而，传统材料开发依赖科学家大量的时间和试错过程，通常需要数十年的努力。

  近年来，随着人工智能和自动化技术的发展，科学家们开始探索更高效的材料开发方法。通过机器学习分析海量数据，并结合自动化合成和表征，材料科学正迈向一个前所未有的高效时代。

  闭环自动化材料发现工作流由以下五个部分组成：

  1.虚拟数据库的创建与分子库的合成：根据设计原则生成初步的分子集合；

  2.密度泛函理论（DFT）计算：提取分子的关键描述符；

  3.高通量有机合成与光电表征：快速获取大规模的实验数据；

  4.器件及半器件的制备与表征：评估材料的实际性能；

  5.机器学习模型的训练与迭代优化：通过不断更新模型，提高预测精度和发现效率。

  构建用于训练机器学习模型的初始数据库是关键的一步，其核心原则是分子多样性。多样性的分子结构能够确保模型不偏向某些局部特征，而能广泛捕捉影响材料性能的关键因素。

  为了构建机器学习模型，本文选择了一组能充分反映器件性能差异的描述符，而非依赖于特定的假设。这些描述符包括：

  ·分子统计：例如原子种类数、芳香键数目和特定官能团的分布；

  ·理论计算特征：如溶解度对数值、分子轨道能级（HOMO/LUMO）、偶极矩以及几何性质（如旋转常数）。

  为了验证机器学习模型预测新分子性能的能力，作者进行了两轮闭环材料优化实验。这一过程包括：

  1.通过机器学习模型和贝叶斯选择标准，筛选出潜在候选分子；

  2.自动化合成这些分子；

  3.进行器件表征，并用新数据更新模型。

  为了深入理解机器学习模型的学习机制，并找出影响器件性能的关键物理参数，本文进一步进行了以下分析：

  1.分子描述符的重要性：分析哪些描述符对模型的预测性能最为关键；

  2.模型泛化能力评估：评估描述符对未见过的结构单元和新分子的预测能力；

  3.实验观测对模型性能的影响：探索其他可能影响性能的特性（如PCE与器件参数的关系），以寻找潜在的中间测量指标，从而加速实验迭代。

  最后，为了帮助化学家和材料科学家更直观地理解研究结果，作者用化学语言解读了机器学习的结果。比如，通过分析三苯胺的存在与否、TPSA（拓扑极性表面积）、杂原子和取代基位置等因素，可以快速缩小分子结构选择范围，从而优化材料设计。

  论文信息：

  标题：Inverse design workflow discovers hole-transport materials tailored for perovskite solar cells

  第一作者：武建昌，Luca Torresi, 胡曼曼, Patrick Reiser

  通讯作者：武建昌，王露遥，Sang Il Seok, Pascal Friederich, Christoph J. Brabec

  通讯单位：德国赫姆霍兹研究所 (Helmholtz-Institut Erlangen-Nürnberg)，埃尔朗根-纽伦堡大学 （Friedrich-Alexander-Universit?t Erlangen-Nürnberg），厦门大学，韩国蔚山国立科学技术院，卡尔斯鲁厄理工学院

  https://www.science.org/doi/10.1126/science.ads0901