使用图形神经网络基于B,N-异质的多共振热激活延迟光材料的量子化学模拟

科学领域:

• 材料科学 材料科学 材料科学
• 有机电子 有机电子
• 计算化学的计算化学

背景情况:

• 多共振热激活延迟光 (MR-TADF) 发射器对于下一代电解发光器件至关重要,提供高效率和狭窄的发射光谱.
• 开发具有定制光电子特性的新型MR-TADF材料对于推进显示和照明技术至关重要.

研究的目的:

• 设计和计算建模基于 π 扩展的 DABNA 核心的新系列 MR-TADF 材料.
• 探索不同框架替代物和无效系统对MR-TADF发射器光电子特性的影响.
• 开发基于深度学习的加速搜索工具,用于预测MR-TADF发射器属性.

主要方法:

• 密度函数理论 (DFT) 用于建模设计的MR-TADF化合物的光电子特性.
• 一个分子设计策略涉及到将一个 π 扩展的 DABNA 核心与四种不同的框架类型和18个无效系统功能化.
• 使用深度学习方法,创建基于量子化学计算的加速搜索工具.

主要成果:

• 该研究成功设计和建模了一套具有不同结构修改的多样化的MR-TADF材料.
• 量子化学计算为管理光电子特征的结构属性关系提供了洞察力.
• 开发的深度学习工具证明了能够高精度预测能量值的能力,接近实验结果.

结论:

• 开发的分子设计方法为新型MR-TADF发射器提供了一条途径.
• 加快搜索工具显著提高了发现新MR-TADF材料的效率.
• 这项工作有助于推进高效和窄带电解发光器件技术的发展.