Компьютер-химик ищет рецепт лучшей солнечной ячейки ✎ экспресс

Оригинал: "Decoupling Intrinsic Molecular Efficacy from Platform Effects: An Interpretable Machine Learning Framework for Unbiased Perovskite Passivator Discovery"
arXiv:2603.02717 · 2026-03-03 · arXiv non-exclusive · собственный разбор · 1 мин
Новый метод машинного обучения находит молекулы, которые действительно повышают эффективность солнечных батарей, отделяя реальный прогресс от случайных помех.

📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить.

Тестировать молекулы для солнечных батарей — как пробовать новый соус в ресторане, где каждые пять минут меняют повара. Помехи (влажность, чистота подложки, способ нанесения) прячут истинный эффект. Чтобы вытянуть реальную пользу из шумных данных, учёные создали «умное сито» — алгоритм, который просеивает результаты и оставляет лишь надёжные улучшения.

Обучив модель на 240 тщательных опытах, выяснили: важны не хитрые структуры, а всего два параметра — умение цепляться за поверхность с помощью водородных связей и разница зарядов на концах молекулы. С этими простыми правилами программа перебрала 121 миллион органических соединений из базы PubChem и отобрала пять кандидатов. Квантовые расчёты подтвердили: они прочно прилипают, легко отдают электроны и выравнивают энергетические уровни. Такое «умное просеивание» замкнуло цикл от данных к проверке и ускорит разработку солнечных батарей, а также светодиодов — технологии, в которой прорыв совершил нобелевский лауреат Сюдзи Накамура. Неожиданно, но секрет улучшения уместился в двух правилах, спрятанных среди 121 миллиона молекул.

За десять лет эффективность перовскитных солнечных ячеек взлетела с 3% до 25%, почти не уступая кремнию — благодаря постоянному поиску новых материалов.

Учёные
Erwin SchrödingerHugh Everett IIILudwig BoltzmannJoseph von FraunhoferGalileo GalileiNicolaus Copernicus
Понятия
перовскитный солнечный элемент перовскит прозрачность резервуарные вычисления межатомный потенциал, обученный машинным обучением материалы на основе машинного обучения прогностическая модель предсказание молекулярных свойств