基准测试DFT和监督机器学习:一个有机半导体聚合物研究
Kyle R Stoltz1, Mario F Borunda1,2
1Physics Department, Oklahoma State University, Stillwater, Oklahoma 74078, United States.
The journal of physical chemistry. A
|January 23, 2024
概括
一个简单的机器学习模型准确地预测了半导体聚合物带隙 (BG) 和电离潜力 (IP) 的低误差. 这种方法可以有效地发现新的有机电子材料.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 机器学习 机器学习
背景情况:
- 有机半导体对于电子设备至关重要.
- 准确预测带隙 (BG) 和电离潜力 (IP) 等电子性质对于设计新材料至关重要.
- 计算方法对于材料发现至关重要,但在计算上可能很昂贵.
研究的目的:
- 评估一个简单的线性回归机器学习模型,用于预测有机聚合物的BG和IP.
- 用PBE和PW91交换相关函数来评估预测的准确性.
- 应用验证的模型来预测新型聚合物结构的特性.
主要方法:
- 使用了一套由22种有机半导体聚合物组成的训练套件.
- 使用基于线性回归的监督机器学习算法.
- 用PBE和PW91函数进行密度函数理论计算进行了属性计算.
主要成果:
- 线性回归模型实现了高精度,平均百分比误差低于BG的3%和IP的4%.
- 使用PBE和PW91函数的计算在与ML模型相结合时产生了可靠的结果.
- 该方法成功地用于预测新聚合物及其衍生品的BG和IP.
结论:
- 简单的线性回归是一种强大而有效的工具,用于预测有机半导体的关键电子特性.
- 这种方法有助于快速选和设计新的有机半导体材料.
- 这项研究证明了机器学习在加速有机电子产品材料发现方面的潜力.
更多相关视频
08:43Effect of Bending on the Electrical Characteristics of Flexible Organic Single Crystal-based Field-effect Transistors
Published on: November 7, 2016
8.1K
08:29Morphology Control for Fully Printable Organic–Inorganic Bulk-heterojunction Solar Cells Based on a Ti-alkoxide and Semiconducting Polymer
Published on: January 10, 2017
9.1K
