在鈣鈦礦太陽能電池的研究領域中，電洞傳輸層材料（HTM，hole-transporting material）的設計和最佳化一直是科學家們關注的重點。傳統上，研究人員主要依靠實驗經驗來改良HTM的性能，他們會觀察分子結構所帶來的特性，並根據這些觀察來調整材料。然而，這種方法存在兩個問題：第一，研究人員並不理解新型HTM的作用機制；第二，研究人員需要花費大量時間從眾多實驗數據中找出規律。近年來，機器學習已經成功應用於有機合成、材料科學等多個領域，但光電領域卻遲遲無法成功應用。這是因為要預測一個材料在太陽能電池中的表現是非常困難的，我們不只要考慮材料本身的分子結構，還要考慮在製作過程中所形成的微觀結構，這些因素都會相互影響太陽能電池的性能。更具體來說，雖然機器學習能夠幫助我們預測和設計具有特定功能的有機分子，但前提是需要有大量數據支撐，然而太陽能電池領域是相當缺乏數據的。因此，如何在有限的數據條件下，有效地設計和最佳化HTM材料，已成為當前亟待解決的科學難題。

近日，一個由多國研究人員組成的團隊開發出一套創新的方法，成功發現了能量轉換效率優異的HTM材料。研究團隊首先建立了一個包含100萬個HTM分子的龐大資料庫，接著從中隨機挑選13,000個分子進行密度泛函理論計算。根據計算結果，他們選出了101個最具潛力的分子進行實際合成。這些合成出來的分子被用來製作鈣鈦礦太陽能電池，並將其表現納入機器學習模型，進行訓練。訓練完成後，研究人員就可以進一步預測資料庫裡其他分子在太陽能電池中的表現。經過兩輪篩選，研究團隊一共合成了48個新分子並進行測試。結果發現，其中最優異的HTM分子可以讓太陽能電池達到25.9%的能量轉換效率。這個效率大幅超越了目前常用的HTM，這同時也展示了機器學習在材料開發上的巨大潛力。