行業新聞|國產OCNet破解有機光電“試錯困局"！跨尺度AI預測打通研發全鏈條，賦能千億產業

導語：光電材料迎來 “AI 導航儀"，千億產業瓶頸被破局

手機屏幕的絢麗色彩、光伏面板的發電效率、儲能電池的能量密度，背后都藏著有機光電分子的 “魔法"。但長期以來，“分子結構→材料性質→器件性能" 的跨尺度關聯難題，讓新材料研發陷入 “試錯黑洞"。如今，這一困局被國產 AI 框架 OCNet 打破 —— 由多家頂尖單位聯合打造的這項技術，實現從分子到器件的全流程虛擬預測，為光伏、顯示、儲能等千億級產業按下研發 “加速鍵"。

強強聯合攻關：國產團隊啃下 “硬骨頭"

此次技術突破由北京科學智能研究院功能分子設計團隊與深勢科技 Uni-Mol 開發團隊牽頭，聯合北京大學、中石化石科院、山東大學等多家科研機構與企業協同完成。團隊基于深勢科技自研的 Uni-Mol 架構，在共軛分子數據庫上完成專項訓練，最終打造出專為有機光電領域定制的 OCNet 框架，彌補國內跨尺度材料智能預測的技術空白。

四大技術革新：OCNet的“產業級基因"

數據底座：構建覆蓋金屬有機配合物、稠環體系等多類材料的分子數據庫，還配套生成薄膜環境雙分子構型庫，大幅拓寬研發選材范圍；

雙階段訓練邏輯：先吃透分子結構規律，再深耕光電性質與電荷轉移機理，讓 AI 不僅 “會預測" 更 “懂原理"，避免傳統模型的 “黑箱困境"；

專家知識賦能：融合電子結構等專業特征，預測精度較純數據驅動模型顯著提升，為企業提供可信賴的決策依據；

全尺度貫通建模：從分子激發態、薄膜電荷遷移率到器件光伏效率，實現 “一站式" 預測，無需切換多套工具。

數據改寫行業規則

·       分子篩選效率翻倍：對激發能、吸收波長等關鍵性質的預測準確率，較國際主流模型提升超 20%，重組能預測精度更是飆升 60%，可快速從海量分子中鎖定候選材料；

·       薄膜性能預測補空白：實現有機無定形薄膜遷移率的跨材料預測，與實驗數據的相關系數達 0.94，遠超傳統計算方法，為高遷移率半導體研發掃清障礙；

·       器件效率 “秒級預判"：預測光伏器件能量轉換效率（PCE）僅需 0.005 秒，較傳統方法縮短上萬倍耗時，相關系數達 0.84，可支撐生產線快速參數優化。

重構研發邏輯：“AI + 實驗"閉環加速產業化

·       降本提效：結合自動化實驗設備，可構建 “虛擬篩選 — 自動驗證 — 模型迭代" 的研發閉環，參考同類智能實驗室數據，研發效率可提升 480 倍；

·       筑牢技術壁壘：數據庫與跨尺度建模技術形成核心知識產權，助力國內企業在光伏、顯示等領域搶占高地；

·       對接國家戰略需求：深度契合《北京市加快推動 “人工智能 + 新材料" 創新發展行動計劃》，目前已與中石化石科院等單位啟動合作，加速科研成果向產業轉化。

結語：中國“AI + 材料"搶占全球賽道

從實驗室樣品到產業級應用，OCNet 的突破不僅是技術層面的跨越，更標志著我國在有機光電材料智能研發領域從 “跟跑" 轉向 “領導"。隨著這類技術與光伏、儲能等戰略性新興產業深度融合，中國 “AI + 材料" 的創新生態正加速成型，未來將在全球新材料競爭中占據重要話語權。