相关实验视频
Updated: Jun 29, 2025

Low-energy Cathodoluminescence for OxyNitride Phosphors
Published on: November 15, 2016
无机的光学特性数据集
Seunghun Jang1, Gyoung S Na2, Yunhee Choi2
1Korea Research Institute of Chemical Technology (KRICT), Chemical Data-Driven Research Center, Daejeon, 34114, Republic of Korea. jang@krict.re.kr.
研究人员创建了一个高质量的无机的数据集,以改善机器学习对材料发现的预测. 这一数据集提高了寻找发光二极管新的效率和可靠性.
科学领域:
- 材料科学 材料科学 材料科学
- 固态化学 固态化学
- 计算材料科学科学 计算材料科学
背景情况:
- 开发用于发光二极管 (LED) 的无机通常是缓慢的,并且严重依赖研究人员的专业知识.
- 机器学习 (ML) 具有加速材料发现的潜力,但其有效性取决于高质量的训练数据.
- 现有的数据集往往缺乏必要的细节或实验验证,以进行强大的ML模型开发.
研究的目的:
- 构建一个全面的,高质量的实验验证无机及其光学特性数据集.
- 解决目前数据集的局限性,以培训可靠的机器学习模型在发现方面.
- 调查测量条件对ML对属性预测准确度的影响.
主要方法:
- 从553篇文献文章中编制了3952种无机组合 (21种剂,238种宿主) 的数据集.
- 包括每种的详细材料信息,光学特性和关键测量条件.
- 执行初步机器学习分析,以评估使用精选数据集的预测性能.
主要成果:
- 构建的数据集显示出高质量和可靠性,包含经过实验验证的数据.
- 机器学习模型在最大光发光 (PL) 辐射波长和PL衰变时间 (R2 ≥0.7) 等关键性质方面取得了令人满意的预测性能.
- 整合测量条件数据显著提高了机器学习模型的预测准确性.
结论:
- 开发的数据集是推进无机研究中的机器学习应用的宝贵资源.
- 高质量,全面的数据集对于在固态照明中可靠的ML驱动材料发现至关重要.
- 考虑测量条件等实验参数对于提高ML模型对的预测能力至关重要.
更多相关视频
07:24Hyperspectral Imaging as a Tool to Study Optical Anisotropy in Lanthanide-Based Molecular Single Crystals
Published on: April 14, 2020
06:08Time-resolved Photophysical Characterization of Triplet-harvesting Organic Compounds at an Oxygen-free Environment Using an iCCD Camera
Published on: December 27, 2018
相关概念视频
Photoluminescence: Applications
Fluorescence and Phosphorescence: Instrumentation
Photoluminescence: Fluorescence and Phosphorescence
A pair of electrons in a...
Variables Affecting Phosphorescence and Fluorescence