优化共轭聚合物的加工条件是提高各种有机电子器件性能的关键步骤，包括能够从废热中收集能量的有机热电（TE）器件。然而，这些材料中固有的结构和能量紊乱以及加工后不可预测的性能变化使优化原理复杂化，需要大量的试错实验来最大限度地提高TE性能。近日，首尔大学Jeonghun Kwak引入了一种基于机器学习（ML）的实验设计方法来解决这些挑战，并使用具有代表性的噻吩基掺杂聚合物系统对有机TE进行了验证。

本文要点：

1) 这种方法不仅有助于定量了解每个加工参数如何影响聚合物的TE性能，而且有助于预测最佳加工条件，从而在大参数空间内用最少的实验实现最大的TE性能。

2) 此外，通过分析掺杂聚合物薄膜的形态和电子状态，揭示了在ML预测的加工条件下功率因数最大化的起源，从而验证了基于ML的方法。所提出的方法适用于大多数有机热电能量转换的聚合物系统，并将为确定最佳工艺条件和以最小的努力提高TE性能提供指导。

参考文献：

Jeehyun Jeong et.al Machine-Learning-Assisted Process Optimization for High-Performance Organic Thermoelectrics Adv. Energy Mater. 2024

DOI: 10.1002/aenm.202403431

https://doi.org/10.1002/aenm.202403431