[IEEE 2019国际神经网络联合会议(IJCNN) - 匈牙利布达佩斯(2019.7.14-2019.7.19)] 2019国际神经网络联合会议(IJCNN) - 基于集成神经网络的迁移学习用于有机太阳能电池筛选

摘要： 有机太阳能电池是解决全球清洁能源?；囊幌钋熬肮憷募际酢Ｈ欢?，为太阳能电池生成候选化合物是一个耗时过程，需要进行数千小时的实验室分析。对于太阳能电池而言，最重要的特性是功率转换效率，该效率取决于供体分子的最高占据分子轨道（HOMO）值。最近，机器学习技术在构建有机光伏电池（OPV）供体结构HOMO值的预测模型方面被证明非常有效。由于实验数据集规模有限，当前机器学习模型是基于密度泛函理论（DFT）计算得出的数据进行训练的。SMILES或InChI等分子线性符号是描述供体分子结构的常用输入表示方式。这两种线性表示编码了不同信息，例如SMILES定义键类型而InChI定义质子化状态。本研究提出了一种名为SINet的集成深度神经网络架构，该架构同时利用SMILES和InChI分子表示来预测HOMO值，并借助从大规模DFT计算数据集——哈佛CEP进行迁移学习的潜力，为规模相对较小的HOPV数据集构建更稳健的预测模型。哈佛CEP数据集包含230万个OPV候选供体结构的分子结构与性质信息，而HOPV分别包含350个和243个分子的DFT计算值与实验值。结果表明，通过迁移学习和利用两种分子表示方式，模型性能获得了显著提升。