通过机器学习探索新的阿佐类型光开关,以尽可能低的光激发,以轻松合成
Azal S Waheeb1,2, Duha M Hasan1, Shaimaa H Mallah1
1Department of Chemistry, College of Science, AL-Muthanna, Al-Muthanna University, Samawah, Iraq.
Journal of fluorescence
|May 6, 2025
概括
这项研究使用机器学习 (ML) 设计了299个亚博烯光开关 (PSs),预测了它们的电子特性和合成可访问性. 这些模型准确地预测了材料科学应用的过渡能量和辐射波长.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 摄影化学的使用.
背景情况:
- 亚光开关 (PSs) 对先进材料至关重要.
- 预测它们的电子特性,如过渡能量和辐射波长,对于有针对性的应用至关重要.
- 机器学习 (ML) 提供了一种强大的方法来加速新 PSs 的发现和设计.
研究的目的:
- 设计和分析299个亚博烯光开关 (PSs).
- 使用ML预测它们的最低π→π*过渡能量和最大排放量.
- 评估它们的合成可访问性,用于实际开发.
主要方法:
- 利用机器学习 (ML) 回归模型,包括 eXtream梯度提升 (XGBoost) 和随机森林.
- 使用艾灵方程计算了 π→ π* 过渡波长.
- 采用分子描述符和SHAP分析来识别关键影响因素.
主要成果:
- 开发了具有高精度的ML模型:XGBoost (R2=0.87) 对于过渡能量和随机森林 (R2=0.92,MSE=0.38) 对于辐射波长.
- 确定了像MaxEStateIndex,Estate_VSA5和NumValenceElectrons这样的关键分子描述器,影响了属性.
- 确定许多设计的亚博 PS 具有高合成可访问性.
结论:
- 成功扩展了具有可预测电子属性的亚博烯光开关 (PSs) 的库.
- 对阿佐 PSs 的结构-属性关系有了更好的理解.
- 通过高效的计算设计,为材料科学的未来应用提供了基础.
