Resumen

En este artículo se presenta el cribado virtual de posibles polímeros semiconductores para dispositivos fotovoltaicos orgánicos (OPV) de alto rendimiento mediante diversos algoritmos de aprendizaje automático. Nos centramos especialmente en la máquina de vectores soporte (SVM) y en los enfoques de aprendizaje por conjuntos. Descubrimos que las eficiencias de conversión de potencia del dispositivo preparado con los polímeros candidatos pueden predecirse con sus huellas estructurales como únicos datos de entrada. En otras palabras, no era necesario ningún conocimiento previo sobre las propiedades del material. Además, el rendimiento predictivo podría mejorarse aún más "mezclando" los resultados de los modelos SVM y random forest. El algoritmo de aprendizaje conjunto resultante podría abrir una nueva oportunidad para un cribado virtual más preciso y de alto rendimiento de polímeros conjugados para dispositivos OPV.

• Materias:Propiedades fisicoquímicas Polimerización Ingeniería biomédica Nanoestructuras Liberación de fármacos
• Subjects:Chemicophysical properties Polymerization Biomedical engineering Nanostructures Drug liberation
• Palabras claves:cribado virtual, algoritmo de aprendizaje por conjuntos, polímeros semiconductores potenciales, eficiencias de conversión de energía, modelos de bosque aleatorio, máquina de vectores soporte, svm, dispositivos opv, enfoques de aprendizaje, propiedades de los materiales
• Keywords:virtual screening, ensemble learning algorithm, potential semiconductor polymers, power conversion efficiencies, random forest models, support vector machine, svm, opv devices, learning approaches, material properties