具高準確度與可擴充性之圖論深度學習模型：加速預測及發掘高潛力有機太陽能電池材料

為了突破高效能有機太陽能電池（OPVs）在化學空間過大與實驗合成成本高昂的開發瓶頸，化學系蔡惠旭教授研究團隊開發出了一套具高度準確性與可擴充性的圖論深度學習（Graph Deep Learning）架構。團隊利用物理啟發的定向訊息傳遞神經網路（D-MPNN），將分子拆解為化學片段，並結合純理論計算的電子與結構描述元。藉此模型，團隊成功對高達 3.34 億種三元非富勒烯有機太陽能電池組合進行了高通量虛擬篩選（HTVS）。結果不僅發掘了 4,904 種預測光電轉換效率（PCE）突破現有極限（>19.36%）的新型材料，更歸納出「無pi-spacer」與非熔環剛性核心等關鍵分子設計法則。此平台大幅縮減了試錯時間，為次世代綠色能源材料開發提供了強大助力，為AI 加速高效能太陽能電池開發的案例。相關研究成果已發表於國際頂尖期刊《Chemical Engineering Journal》(2026)。

圖/化學系提供