基于机器学习的潜在单片裂变染色体的选:不平衡数据集的挑战
Lyuben Borislavov1, Miroslava Nedyalkova2,3, Alia Tadjer3
1Institute of General and Inorganic Chemistry, Bulgarian Academy of Sciences, 11 Akad. Georgi Bonchev str., 1113 Sofia, Bulgaria.
The journal of physical chemistry letters
|November 3, 2023
概括
单片裂变 (SF) 材料可以使太阳能电池的效率提高一倍. 研究人员开发了一种机器学习方法,通过分析它们的二根性质 (DRC) 来识别新的SF染色体,从而为下一代光伏系统提供高效的发现.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 有机电子 有机电子
背景情况:
- 单片裂变 (SF) 材料从一个光子中产生两个三倍激子,可能会使太阳能电池的效率翻一番.
- SF分子对下一代有机光伏有希望,但难以确定.
- 具有低至中等二基性质 (DRC) 的分子被确定为潜在的SF染色体.
研究的目的:
- 使用计算方法开发一种成本效益高的战略,用于发现新的SF染色体.
- 实施基于分子二根性质 (DRC) 的机器学习辅助选工作流.
- 分析结构-属性关系,用于设计新的SF材料.
主要方法:
- 利用了从PubChem.chem获得的469,784种化合物的大型数据集.
- 开发和应用机器学习分类模型,以预测基于DRC的SF潜力.
- 雇佣的K-means集群来分析已识别的SF候选人的结构-属性关系.
主要成果:
- 成功开发出高性能分类模型来识别潜在的SF染色体.
- 确定了一组化合物 (大约4%),具有单点裂变的高潜力.
- 揭示了定性结构-属性关系,以指导未来的分子设计.
结论:
- 一种基于机器学习的选方法可以有效地识别潜在的单片裂变染色体.
- 开发的方法和数据集有助于发现有机光伏的新SF材料.
- 该方法可适应光子学和自旋电子学中的迪拉基类应用.
