组贡献方法 监督神经网络用于精确设计有机非线性光学材料

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学的计算化学
• 有机化学 有机化学

背景情况:

• 设计有机小分子非线性光学 (NLO) 材料需要合理的方法.
• 预测分子光学特性对于材料设计至关重要.
• 现有的方法可能需要大量的数据或缺乏效率.

研究的目的:

• 开发一种以理论为导向的机器学习框架,用于合理设计D-π-A型有机小分子NLO材料.
• 建立一种准确有效地预测分子光学性质的方法.
• 为了实现对新型NLO材料的高效结构性搜索.

主要方法:

• 开发了一个易斯模式组贡献方法 (LGC).
• 将LGC与多阶段贝叶斯神经网络 (msBNN) 和进化算法 (EA) 集成到一个交互式框架 (LGC-msBNN-EA) 中.
• 使用专门为LGC设计的EA,以促进结构性搜索.

主要成果:

• 该LGC-msBNN-EA框架准确地预测了分子的各种光学特性.
• 该框架只需要一个小的数据集来进行有效的培训.
• 使用EA组件可以实现对新材料的高效结构性搜索.
• 该框架在预测NLO材料特性方面表现出令人满意的表现.

结论:

• 开发的LGC-msBNN-EA框架为设计有机小分子NLO材料提供了合理和高效的方法.
• 将化学原理与数据驱动工具相结合,可以提高预测准确性和设计效率.
• 这一框架预计将在相关科学领域的结构设计中具有价值.