卷積神經網絡在新型非富勒烯受體分子生成與性能預測上的應用

楊新玉，彭師平，趙 儀

(廈門大學化學化工學院，固體表面物理化學國家重點實驗室,福建省理論與計算化學重點實驗室,福建 廈門 361005)

有機太陽能電池(organic solar cells,OSCs)是一種將太陽光能轉化為電能的器件，與無機太陽能電池相比，OSCs具有材料來源廣泛、工藝簡單、輕便、生產容易的優點，在便攜式電源[1]、可穿戴設備[2-3]、室內小型離網電子設備[4]等領域展示出光明的產業前景，在過去的20多年間迅速發展，近年來更是受到廣泛的關注.

OSCs主要由電子給體和受體材料組成，其中給體常采用低能隙的聚合物或小分子，而受體多使用電子親和性較大的富勒烯分子[5-7].近年來，人們發現非富勒烯受體(non-fullerene acceptors,NFAs)的化學結構和電子親和性可在大范圍內進行調整，同時它還具有較大的近紅外吸收范圍、較好的能級匹配、較小的電壓損失等特性[8].NFAs新型材料的不斷發展推動了OSCs性能的迅速提高，目前其能量轉換效率(power conversion efficiency,PCE)已達到18.69%[9]，激發了越來越多研究人員對高性能材料探索發現的熱情.

近幾年來，NFAs的研究得到蓬勃發展，電池的PCE也得到顯著提升.Lin等[10]于2015年提出稠環電子受體概念和具有A-D-A(A為吸電子單元，D為給電子單元)結構的ITIC有機小分子，這類分子包含一個稠環給電子中心骨架和兩個強吸電子端基，給電子單元和吸電子單元之間發生強的分子內電荷轉移，使得受體具有較窄的帶隙和很強的可見光與近紅外光吸收，同時端基單元的緊密堆積有利于電子傳輸，整個受體具有較高的遷移率，ITIC與聚合物給體PTB7-Th共混的器件PCE達到6.8%.ITIC打破了基于富勒烯受體的OSCs效率進一步提高的瓶頸，之后越來越多的研究由此展開，通過對中心給電子單元、側鏈及末端吸電子單元的擴大、取代、異構化等手段，OSCs器件的PCE不斷提升[11-13].Yuan等[14]于2019年發現了一種通過在中心部分引入苯并噻二唑吸電子單元的窄帶隙A-D-A’-D-A型受體Y6，以PM6作為給體與Y6共混得到的器件PCE高達15.7%.2020年，Liu等[15]合成了給體D18，D18的空穴遷移率高達1.59×10-3cm2/(V·s)，之后該課題組又設計了新的聚合物給體D18-Cl，其中D18:Y6、D18-Cl:N3和D18:N3(N3為Y6側鏈進行優化后得到的受體)的器件PCE分別達到18.22%[15]、18.13%[16]和18.56%[17]，D18-Cl∶N3∶PC61BM (D∶A1∶A2)型的器件PCE更是達到18.69%[9].至今為止，A-D-A 或 A-D-A’-D-A型的模式是OSCs的主流構筑方式，新型分子的出現將加快更高效率的實現.

上述受體材料表現出高性能的原因之一是給體和受體能級匹配，這可為電荷分離和轉移提供有效驅動力，因此其直接影響著電池效率的提升.然而，大多數近紅外吸收的有機分子的最低未占據分子軌道(the lowest unoccupied molecular orbital,LUMO)和最高占據分子軌道(the highest occupied molecular orbital,HOMO)能級很難與寬禁帶給體的能級相匹配，對于正確選擇給體和NFAs被認為是一項費時且復雜的任務.隨著數據科學的發展，機器學習的應用推動多領域的變革，也影響著材料化學的研究，目前利用機器學習模型針對OSCs材料分子的前線分子軌道(frontier molecular orbital,FMO)能量的研究已取得巨大進展.首先，機器學習可以實現對FMO能量的預測，例如Pereira等[18]在由111 000個分子組成的數據集上訓練隨機森林等模型，在沒有任何密度泛函理論(density functional theory,DFT)計算的情況下模型預測的HOMO和LUMO能量誤差均小于0.16 eV.通常，訓練預測模型的數據來源于計算或實驗，需通過校準來減少計算值與實驗值的偏差，如Lopez等[19]在建立了51 000多個由碎片拼接而成的NFAs分子及其HOMO、LUMO能量的數據庫后，利用94組實驗值通過高斯過程回歸模型校準計算值，將HOMO能量的均方根誤差(root mean square error,RMSE)由校準之前的0.28 eV降至校準之后的0.17 eV，LUMO能量的RMSE也從0.45 eV降至0.26 eV.此外，FMO能量等可作為描述符來預測器件PCE，在獲得更高預測精度的同時證明了其對PCE的重要影響[20-21].這些研究在加快NFAs分子的篩選效率上起到了重要作用.目前利用機器學習對NFAs及其FMO的研究主要集中于提高預測精度和效率上，而利用機器學習對分子的結構與性質之間關系的研究卻相對較少.

本研究將利用本課題組已提出的基于卷積神經網絡(convolutional neural networks,CNNs)構建的分子生成模型與性質預測模型[22]，使用生成模型快速得到多個具有特定HOMO和LUMO能量范圍且結構差異性較高的NFAs分子，利用基于注意力機制的預測模型驗證分子的FMO性質并得到分子碎片對性質的貢獻.本研究能夠在對非富勒烯有機小分子受體篩選的同時進行其結構與性質關系的研究，希望能夠對新材料的發現帶來一些啟發.

1 數據庫與模型

1.1 數據庫

用于訓練神經網絡模型的數據源于Aspuru-Guzik等于2017年提出的含51 281種潛在NFAs材料的數據庫，該數據庫中提供了每個分子的簡化分子線性輸入規范(simplified molecular input line entry specification,SMILES)[23]表示和HOMO、LUMO能量等值[19].其中的分子是由包括萘二酰亞胺、苯并噻二唑和聚氟蒽二亞胺等107種常見基團拼接而成，每種分子碎片與其取代方式均通過文獻或商用例子獲得，其中，碎片共分為13種中心碎片(cores,C)、49種側位碎片(spacers,S)和45種端位碎片(terminals,T)，分子的拼接方式有T-S-C-S-T、T’-S-C-S-T、T-C-T和T-S-T.數據庫中每個分子的HOMO和LUMO能量的計算大致分為4步：1) 使用RDKit[24]提供的構象生成器由SMILES編碼生成1 500個三維分子構象；2) 對所有構象進行分子力場[25]優化，使用OpenBabel[26]軟件去除重復構象；3) 按照最低能量原理對于每個分子挑選出20個構象，同時所選分子構象的能量與最低能量分子構象的能量差應不超過20.93 kJ/mol，若超過20.93 kJ/mol則剔除該構象(這種情況下，構象數少于20個)，這些構象所組成的簇被認為是候選分子在固態中最具能量可行性的構象；4) 用BP86/def2-SVP泛函基組對上述構象進行優化，之后用B3LYP/def2-SVP泛函基組做單點能、HOMO和LUMO能量計算，提取具有最低能量的構象，將該構象的HOMO與LUMO能量視為該分子的FMO能量.本研究對數據進行簡單的預處理，刪除能隙值為負的不合理分子后，實際用于模型訓練的數據量為50 656個.

1.2 分子表示

分子圖(graph)[27]和SMILES是分子生成模型常用的分子表示.用分子圖作為輸入時，分子中的原子和化學鍵分別被表示成圖的節點和邊.分子圖在對抗生成網絡中的分子生成表現優異，然而基于分子圖的模型現今只能生成小分子.SMILES通過使用一系列字符來表示分子結構，這些字符表示分子中包含的原子和分子的拓撲信息.若沒有固定順序地讀取原子和鍵來生成SMILES，則特定分子可生成多個有效的SMILES字符串.為此，常使用規范化的SMILES保證分子的唯一性表示來克服同一分子生成字符串的多樣性.生成和預測模型均基于CNN并使用SMILES作為分子表示：一方面，CNN具有權值共享和可處理多個時間步長的特點，效率較高；另一方面，SMILES表示已經在多種神經網絡模型中被廣泛使用[28-29]，一維CNN也可處理不同長度的SMILES表示.

1.3 生成模型與性質預測模型

分子生成與性質預測模型均為本課題組之前基于一維CNN所建立的模型，更多模型信息可由https:∥github.com/PSPhi/CNN-for-NFA[22]獲得.CNN利用卷積核(參與運算的矩陣)與節點的矩陣運算，可實現特征提取，主要用于處理圖像、視頻、語音、音頻等.由于CNN具有共享權重和平移不變性的特點，可同時處理多個時間步長，能夠顯著提高深度學習效率.本研究運用的一維CNN可處理不同長度的SMILES輸入問題.對于生成模型，在訓練過程中給每個輸入的SMILES字符串加上起始字符“&”，給每個目標輸出加上“ ”，該模型通過給定的起始字符，逐個生成后續字符直到終止字符“ ”被生成，從而完成一個SMILES字符串即分子的生成.預測模型在卷積網絡之后的輸出層加入了融合信息的注意力機制，通過注意力機制能夠獲得每個字符對于對應性質的重要性.

從數據庫中挑選出PCE大于0.5%并且信息完整的共24 000個分子，將這些分子隨機劃分為分別含有20 000，2 000，2 000個分子的訓練集、驗證集和測試集，分割后的數據集將用于生成模型和預測模型的訓練.對于生成模型，訓練好的模型所生成的分子中合理分子的比例高達90%.預測模型對于測試集中分子HOMO和LUMO能量預測的平均絕對誤差分別為0.053和0.055 eV.

2 應 用

基于提出的分子生成模型和HOMO、LUMO能量的預測模型，下文將探索利用生成模型生成兩組指定HOMO和LUMO能量的分子，并用預測模型對分子軌道能量做進一步預測來篩選分子，最后用DFT計算進行驗證.這一工作可進一步拓展數據庫的化學空間，為實驗工作提供分子選取的思路.

實驗上，D18:Y16和D18:N3的器件PCE分別達到18.22%[15]和18.56%[17]，Y6也將電池效率推上了一個新臺階，因此選取Y6的FMO能量作為參考值，Y6的HOMO和LUMO能量的實驗值分別為-5.65 和-4.10 eV[30].由于本研究所采用的模型均由數據庫提供的計算值訓練所得，并且計算值與實驗值之間存在計算方法的系統誤差，所以本研究使用與數據庫一致的構象選取方式和泛函基組，即采用BP86/def2-SVP泛函基組對構象進行優化，并采用B3LYP/def2-SVP泛函基組做單點能、HOMO和LUMO能量計算，得到Y6的HOMO和LUMO能量的計算值分別為-5.73和-3.69 eV.結合數據庫中的數據分布，選取HOMO和LUMO能量分別為-5.60和-3.60 eV這一組值作為在同等計算方式下分子生成和篩選的目標計算值.

分子的生成和篩選過程如圖1所示，其中綠色部分表示的是使用原數據庫訓練生成模型和預測模型的過程，藍色部分為給定的FMO能量目標值，橙色部分為本研究主要強調的針對目標值的分子生成和篩選過程.其中橙色部分的流程主要有4步：1) 從原數據庫中得到HOMO和LUMO能量在所選定值誤差范圍內的小分子集，記為D1；2) 用D1分子集重新訓練已由原數據庫訓練好的生成模型，實現對模型參數的微調，這樣可使得模型傾向于生成目標能量值附近的分子，微調后的模型生成新分子集D2；3) 對D2分子集中的分子進行處理，剔除重復、不合理以及原數據庫中已有的分子，并通過預測模型從中篩選出HOMO和LUMO能量預測值與目標值的絕對誤差均在0.2 eV以內的分子，即可得到候選的新分子集D3；4) 將由原數據庫得到的D1分子集和新生成的D3分子集進行合并，使用RDKit軟件包提供的最大最小聚類算法[31]，該算法通過從分子的SMILES表示中計算出分子指紋，再根據分子指紋距離的計算將分子劃分到相應的類.聚類算法可從整個分子庫中挑出一個多樣性最高的子集，以最大程度地代表原始分子庫的化學空間[32].通過聚類可得到多樣性最大的10個分子組成的集合D4，D4中的分子即為最終挑選出的分子.根據目標值挑選出的分子結構如圖2中a1～a10所示，其中，a1～a7為新生成的分子，a8～a10為數據庫中原有的分子，根據數據庫的碎片種類可將分子劃分成不同顏色碎片的組合.

為了驗證新生成分子的FMO能量是否在目標值誤差范圍內，進行了同等水平的計算，第一組目標值得到的10個分子的HOMO和LUMO能量的計算值和通過預測模型得到的預測值如表1所示.

從表1可以看出：除了a3、a4、a9分子LUMO的預測值和計算值的絕對誤差超過0.1 eV以外，其他性質預測的絕對誤差均小于0.1 eV，說明預測模型具有較高的準確度；同時，篩選出的分子HOMO和LUMO能量的計算值與目標值的絕對誤差均小于0.2 eV，有些分子如a2、a5、a6、a7的計算值甚至很接近目標值，經過后續的分子修飾，HOMO和LUMO能量的實驗值可進一步調整以實現與給體分子的能級匹配.

為了比較所選分子的差異性，一方面，由分子的SMILES出發得到分子指紋，再根據分子指紋得到不同分子之間的相似度[33]，結果如圖3所示.另一方面，結合預測模型可以獲得每個分子的SMILES表示中每個字符對相應性質的貢獻，因為數據庫的分子是由碎片拼接而成的；同樣地，通過碎片所含字符貢獻的加和，可以得到組成分子的每個碎片對各分子HOMO和LUMO性質的貢獻程度.作為參考，使用Multiwfn程序[34]得到HOMO和LUMO在每個原子上的分布分數，將碎片所含原子的分布分數進行加和得到碎片的分布分數，這可以在一定程度上反映預測模型對碎片貢獻預測的準確性.使用預測模型和Multiwfn程序得到的對HOMO和LUMO能量貢獻程度最大的碎片和相應的分布分數如表2所示，其中碎片的顏色與圖2一致.

表2 使用預測模型和Multiwfn程序得到的第一組分子中對HOMO和LUMO能量貢獻程度最大的碎片和相應的分布分數Tab.2 The fragments and corresponding distribution fractions of the first group of molecules that contribute the most to the HOMO and LUMO energies obtained by using the prediction model and the Multiwfn program

從圖3的相似度矩陣中可以得到分子兩兩之間的相似度，相似度的大小由顏色的深淺表示，顏色越綠表示相似度越低，分子間的差異性越大，反之，顏色越紅則表示分子間越相似.圖中，對角線表示分子與自身的相似度，即為1，可以看到只有兩組分子a1-a8和a7-a8的相似度較大，分別為0.54和0.58，其他分子間的相似度均小于0.5且大部分在0.2～0.3，可見挑選出的分子具有較大的差異性.如表2所示：對于第一組的每個分子，用預測模型和Multiwfn程序這兩種方法獲得的對FMO性質貢獻最大的碎片顏色是一致的，說明預測模型能夠準確預測出最重要的碎片；而兩種方法獲得的相應碎片的貢獻值之間有些存在較大差異.需要說明的是，Multiwfn程序得到的碎片上FMO分布分數僅為參考值，預測模型得到的是碎片對所預測軌道能量的重要程度，兩者表示的性質相同但是計算方式不同，因此數值上存在差異.總的來看，具有相近HOMO和LUMO能量的分子可以具有不同的結構，且其中對二者影響最大的碎片也可不同，進一步說明了存在多種結構的受體可以與給體能級匹配.

為了進一步驗證這些受體分子的吸光性能，計算其振子強度，結果如表3所示.可以看出，a1、a2、a3、a6、a10分子的振子強度較大，具有較為優異的可見光吸收性能，可被后續修飾為潛在的受體材料.

表3 第一組分子的第一和第二激發態能量及對應的振子強度Tab.3 The first and second excited state energies and the corresponding oscillator intensities of the first group of molecules

此外，本研究采用相同方式得到HOMO和LUMO能量的計算值分別為-5.10和-3.10 eV的第二組10個分子，一方面這些分子可以作為參考，另一方面也可為新的給體提供思路.第二組分子的結構如圖4所示，其中，b1～b8為新生成的分子，b9～b10為數據庫中原有的分子.同樣計算了新生成分子的HOMO和LUMO能量，第二組10個分子的FMO能量如表4所示.

表4的數據顯示，僅有b2分子的HOMO能量和b1、b10分子的LUMO能量的預測值與計算值的絕對誤差超過0.1 eV.然而，第二組分子的計算值與目標值偏離較大的分子比第一組多，如b1、b4的HOMO能量和b9、b10的LUMO能量，需要通過后續實驗修飾來進一步調整能級，如增加或減少吸電子、給電子和共軛基團等.同樣地，對其吸光性能進行驗證，結果如表5所示.可以看出，b2、b4、b5、b7、b9和b10分子具有較大的振子強度，有望成為光吸收能力優異的受體材料.

表4 第二組分子的FMO能量的計算值和預測值Tab.4 The calculated and predicted values of the FMO energies for the second group of molecules

表5 第二組分子的第一和第二激發態能量及對應的振子強度Tab.5 The first and second excited state energies and the corresponding oscillator intensities of the second group of molecules

3 結 論

利用CNN模型，本研究生成并篩選出HOMO和LUMO能量分別為-5.60和-3.60 eV、-5.10和-3.10 eV 的兩組受體分子，來匹配OSCs中不同給體分子所需的激子解離能.分析發現，盡管每組分子具有相同的FMO能量，但通過分子指紋的距離計算顯示它們的相似度具有較大差異，表明生成的分子覆蓋了較廣的化學空間.通過進一步的量子化學計算發現，這些分子中約55%的分子具有較大的振子強度即較好的吸光能力.這些生成的具有給定FMO能量的分子可提供設計受體分子骨架的思路，有助于加快新材料的發現和結構性質關系的研究.