有机光伏（OPV）器件的性能由给体与受体材料界面的电子耦合和能级对齐等复杂相互作用共同决定。传统数据驱动模型常将给、受体作为独立个体处理，忽略了这种关键的配对交互信息，导致预测精度有限，尤其难以准确识别高效率体系。针对这一挑战，我们构建了一个物理启发的多模态图神经网络框架，通过显式建模给-受体对的相互作用，并结合多任务学习策略，实现了对OPV器件四个核心参数（PCE、Jsc、Voc、FF）的同步精准预测。该框架利用图神经网络编码分子拓扑结构，引入RDKit描述符与全局物理先验，并创新性地设计了显式配对交互模块，通过元素级差值与乘积运算嵌入能级偏移与电子耦合的物理归纳偏置。
研究表明，显式引入给-受体相互作用可将模型在测试集上的PCE预测决定系数R²从0.70显著提升至0.79。通过SHAP分析，模型识别出强吸电子端基、刚性稠环骨架及匹配的能级排列是实现高效率的关键结构特征，与实验设计原则高度一致。在103个完全未见过的外部数据集中，模型展现出良好的泛化能力，且集成学习提供的预测不确定性与预测误差呈现明确正相关，为高风险虚拟筛选提供了可靠的置信度评估。进一步地，我们通过针对性的高表现样本过采样策略，训练了面向筛选的优化变体。该模型在高效率区间的预测平均绝对误差低至0.31%，显著优于通用基线模型的1.11%。利用该模型对包含45万余种给-受体组合的虚拟库进行高通量筛选，成功识别出预测效率超过20%的新型候选组合，如D18-Cl:YCF3（20.36%）。这些候选材料的化学结构特征与近期实验报道的高效体系高度吻合，为下一代OPV材料的合成与器件优化提供了明确且可验证的指导。
Macromolecules 2026, 59, 6522–6533.
附件：