ナノテク情報

ナノテク・材料

優れた高分子太陽電池材料を見いだす人工知能 ~仮想の20万種類から選び合成した新材料で有効性を実証~

 大阪大学は2021年3月1日,同大学大学院工学研究科・応用化学専攻の佐伯昭紀教授らが,独自に収集した実験データを基に,高分子・非フラーレン太陽電池の光電変換効率を高精度に予測する機械学習モでルを構築し,仮想的に生成した20万種類の高分子材料の中から優れた材料を実際に合成・評価することで,高分子太陽電池開発において,機械学習による材料探索の有効性を世界で初めて実験で実証した,と発表した.本研究は,国立研究開発法人科学技術振興機構(JST)戦略的創造研究推進事業 さきがけ研究「マテリアルズインフォ」等の一環として行われ,成果はドイツ科学誌Advanced Functional Materialsで公開された(注).また,大阪大学からの英文リリース"Virtually unlimited so-lar cell experiments"は,Nanowerkなどの欧米ナノテクポータルサイトで紹介されている.

 持続可能なエネルギー源として,太陽電池の開発・導入・運用が世界中で進められている.実用化されている太陽電池はシリコンなどの無機半導体で作製され,製造に大量の電力を要し,曲げや衝撃に弱い.一方,高分子有機半導体を使った高分子太陽電池(OPV)は,軽量で曲げ性や耐衝撃に優れ,常圧下での溶液プロセスで作製できるが,エネルギー変換効率(PCE)は無機材料を使った太陽電池に及ばない.OPVは,正電荷を運ぶp型高分子半導体と負電荷を運ぶn型高分子半導体の混合薄膜で形成され,高分子半導体は電子供与基(D)と電子受容基(A)を連結した化学構造を有している.太陽電池の変換効率は,材料の化学構造・電子構造等に左右され,高分子の構造,組み合わせは多岐にわたるため,候補材料を個々に検証して,材料探索を行うことは難しかった.研究グループは先に,フラーレンを電子アクセプターとするOPVを対象に,機械学習(ML)による材料探索を行った.その後,高性能な非フラーレン電子アクセプター(NFA)が登場し,急速に注目を集めるようになったので,MLを用いたNFA OPVの材料探索に挑戦した.

 まず,既報の論文から566個の高分子・NFA太陽電池の実験データを手動で収集し,そのデータをさまざまなMLアルゴリズムに学習させた.その結果,複数の入力パラメータ群からランダムにパラメータを選び,分岐構造に従って結果判定を繰り返すランダムフォレスト法が最も良い予測精度を示し,相関係数は,以前の0.62から,0.85へ大きく向上した.続いて,収集した高分子化学構造に含まれるD基とA基を分離し,382個のD基と526個のA基を組み合わせた,200,932種類の高分子化合物を想定してOPVの変換効率をMLモデルで計算した.20万種類中既知の分子は1千種類に過ぎない.予測変換効率は3~11%に分布し,8%前後の高分子が最も多く約1万種類となった.予測の検証のため,高効率,新規高分子,かつ主流な骨格でないものを4種類選んで合成し,OPVを試作評価した.その中でPBDTTzEH:IT‐4Fという名の高分子が10.1%のPCEを示し予測値11.1%と一致する結果が得られた.

 本研究成果は,比較的数の少ない実験データを基にした機械学習が実際の材料開発に有効であることを示し,機能性高分子における マテリアルズ・インフォマティクスの有用性を強く示唆するものとしている.

(注)Kakaraparthi Kranthiraja and Akinori Saeki, "Experiment-Oriented Machine Learning of Poly-mer: Non-Fullerene Organic Solar Cells", Advanced Functional Materials, Early View, DOI: 10.1002/adfm.202011168; First published: 25 February 2021