有机太阳能电池（OSC）具有重量轻、成本低和灵活性强等特色，已成为一种远景宽广的绿色能源技术。尤其是根据A-DA’D-A型非富勒烯受体（如Y6）的器材取得了令人鼓舞的打破，其能量转化功率（PCE）到达18-19%。但是，发现高性能受体资料的进程仍然是耗时、贵重、困难和低效的。因而，开发高效的挑选资料分子的办法是十分必要的。人工智能的办法为猜测资料特性和挑选潜在的候选资料供给了可行的解决方案。经过从大规模数据会集提取躲藏信息，并以可接受的精度取得猜测成果，机器学习办法在直接从分子结构中在发现高性能OSC资料方面显示出巨大的潜力。而与传统的浅层机器学习办法比较，具有多个躲藏层的深度学习办法可以经过结合大规模自监督预练习、运用更丰厚的分子表征等手法在分子性质猜测方面完成杰出的准确性、泛化性及可迁移性。

  来自中南大学化学化工学院的卢红梅教授团队，提出了一种根据深度学习的结构（DeepAcceptor），用于规划和发现高效的非富勒烯小分子受体资料。DeepAcceptor作为一款准确、超快的东西，具有极高的易用性和功率，可加速高性能非富勒烯受体资料的规划和发现。他们经过深度学习的办法规划和挑选有机太阳能电池受体资料，并经过试验进一步验证了三个挑选得到的候选分子，器材最佳的PCE到达了14.61%。他们提出了一种根据原子、化学键和衔接信息的BERT模型（abcBERT）来猜测PCE。该模型将BERT引进分子性质猜测范畴，并结合图神经网络（GNN）的优势，运用音讯传递机制从分子图中提取有意义的表征。运用原子类型、键类型、键长度和邻接矩阵来表明分子。掩蔽分子图使命被用来以自监督预练习的方法从非富勒烯受体分子的分子图中学习表征。经过融入了更多的化学结构信息以及结合大规模的预练习，显着提高模型下流猜测成果的准确性。该研讨团队经过从搜集文献中的受体数据构建了一个试验数据集，运用所搜集的试验数据，对abcBERT模型进行了微调，用于猜测受体分子的PCE。为了验证模型的有效性与可靠性，他们根据深度学习建立了一个分子生成和挑选进程，为PM6寻觅新的高性能受体。对发现的三个候选分子进行了进一步的试验验证，所得器材PCE均超过了12%。试验和猜测PCE之间的均匀绝对误差为1.96%。为了方便运用，该研讨团队还发布了用户友爱的DeepAcceptor网络服务器，这中心还包含试验数据库、分子编辑器和PCE猜测器，用户都可以轻松运用，不需要任何硬件要求和编程根底。