给文献训练的器件模型留一个形貌插槽：3HT十聚体:JSM5的混合PCE预测从4.0%升到4.5%
核心概要
给只含分子描述符的有机光伏器件预测流程加一条形貌输入通道后，3HT十聚体:JSM5共混体系的混合模型PCE预测从约4.0%升到约4.5%，PCNN单独从约2.4%升到约3.7%。这条通道用的是从器件目标残差学出的潜变量占位槽，预测时填入分子动力学导出的形貌描述符；由于潜变量由目标导出，这一变化反映的是流程对MD输入的响应，不能归因于模拟形貌的物理效应。
深度剖析
有机光伏器件性能预测可以接收分子动力学算出的形貌描述符，而不只依赖分子电子结构。 此前的训练数据来自2,080个文献器件，只含给体与受体的HOMO、LUMO、光学带隙和器件构型，没有形貌描述符。 在3HT十聚体:JSM5共混体系上，加入MD描述符后混合模型PCE预测由3.998%变为4.478%，PCNN由2.385%变为3.685%。
形貌信息通过一组从目标残差学出的潜变量槽进入模型，而不是直接作为训练特征。 训练集没有形貌列，因此先用随机森林在分子特征上拟合各目标，取五折外样本残差做标准化与主成分分解，再按秩映射到π堆积距离、给受体距离、取向序参量和结晶度四个物理区间。 每个训练器件的潜变量由不含自身目标的外折预测给出，验证集与测试集器件只用训练分区拟合的映射器预测，以避免循环。
MD描述符让两个模型族的预测彼此靠近。 不含MD描述符时，基线集成与PCNN的PCE预测相差3.65个百分点（6.038%对2.385%）。 含MD描述符后两者差距缩小到1.60个百分点（5.288%对3.685%），但两者在Jsc与PCE上移动方向相反。
启示与展望
演示范围限于3HT十聚体:JSM5这一给受体组合，训练数据为经一致性筛选与单位标准化后的2,080个文献器件，测试集为按给受体对分组留出的约310个器件。作者提出，MD描述符对预测性能的影响还需要用独立获得的形貌信息做验证与优化，并对潜变量槽的构造做敏感性分析。
作者说明潜变量由目标导出，只能吸收残差变化，其加入不应被理解为解决了形貌物理的缺失；模型在目标分布两端向均值回归，名义95%区间在尾部覆盖不足；MD模拟未包含给体与受体的侧链，作者表示需要重算。