有机太阳能电池(OSC)因其轻质柔性、低污染、低成本等优势，被认为是未来清洁能源的重要发展方向。然而，如何快速高效设计高性能给体与非富勒烯受体分子，一直是制约进一步提升光电转换效率(PCE)的关键。近日，兰州理工大学理学院张材荣教授团队在高通量分子设计领域取得重要进展，针对有机太阳能电池的给体–受体材料研发，构建了一套基于卷积神经网络(CNN)的预测与生成一体化框架，实现了对有机光伏材料的高效筛选与自动化分子生成。研究团队首先构建了包含558组给体–受体及其光伏性能参数(PCE、开路电压V_OC、短路电流密度J_SC、填充因子FF)的数据库，通过筛选的42个分子结构描述符，建立基于卷积神经网络的性质预测模型。该模型在光电转换效率预测上的皮尔逊相关系数r达到0.85（训练集）和0.83（测试集），决定系数R²分别为0.71和0.69，显著优于随机森林、梯度提升等传统机器学习模型。SHAP重要性分析表明，卤素取代基数量(fr_halogen_A)、多环结构(fr_bicyclic_A)等特征对提升PCE具有较高重要性，与实验报道的结果一致，为模型的可解释性提供了有力支撑。

在此基础上，引入迁移学习策略，开发了基于CNN的分子生成模型，能够自动生成结构合理的新型分子SMILES字符串。经过大规模预训练与小样本微调后，该模型共生成26万余个给体分子和93万余个受体分子，并对其组合进行高通量筛选，最终筛选出12224对给体–受体的PCE超过19%，其中最高值达到19.20%。部分新分子表现出含杂原子的大环共轭体系及类金刚烷取代基等新颖结构特征，为实验研究指明了方向。此工作不仅为OSC活性层材料的智能化研发提供了新思路，也为其它功能分子设计提供了可借鉴的范式。

卷积神经网络预测模型（a）和结合迁移学习的生成模型（b）流程图

本工作受到国家自然科学基金的资助（批准号：12264025），以“High-throughput Molecular Design of Donors and Non-Fullerene Acceptors for Organic Solar Cells Based on Convolutional Neural Networks”为题发表在Journal of Chemical Information and Modeling。理学院张材荣教授为文章的通讯作者，硕士研究生陈令秋为第一作者。论文链接：http://doi.org/10.1021/acs.jcim.5c01634。（图/文：张材荣；审核：穆龙）