基于图形神经网络的聚合诱导排放分子的可解释预测
Shi-Chen Zhang1, Jun Zhu2, Yi Zeng1
1Key Laboratory of Cluster Science of Ministry of Education, Key Laboratory of Medicinal Molecule Science and Pharmaceutics Engineering of Ministry of Industry and Information Technology, Beijing Key Laboratory of Photoelectronic/Electro-photonic Conversion Materials, School of Chemistry and Chemical Engineering, Beijing Institute of Technology, Beijing 100081, P. R. China. xiaoyanzheng@bit.edu.cn.
Chemical communications (Cambridge, England)
|May 21, 2025
概括
研究人员创建了一个可解释的图形神经网络来识别聚合诱导排放 (AIE) 材料,发现关键的功能组. 这导致了设计高精度新型AIEgens的框架.
科学领域:
- 材料科学 材料科学 材料科学
- 化学 化学 化学
- 人工智能的人工智能
背景情况:
- 聚合诱导排放 (AIE) 材料具有独特的光物理特性.
- 开发用于AIEgen识别和合理设计的高效方法仍然是一个挑战.
研究的目的:
- 开发一个可解释的图形神经网络 (GNN),用于准确的AIEgen识别.
- 建立基于已识别的特征功能组的新型AIE材料的合理设计框架.
主要方法:
- 开发了一个可解释的图形神经网络模型.
- 在AIEgen识别中获得了96.4%的准确性.
- 利用洞察力提出虚拟图书馆策略:自我碎片化和捐赠者-接受者对接.
主要成果:
- 确定了对AIE属性至关重要的24个特征性功能组.
- 通过使用开发的虚拟图书馆策略,成功预测了四个新的AIEgens.
- 实验确认验证了预测的AIEgens.
结论:
- 可解释的GNN为AIEgen发现提供了一个强大的工具.
- 拟议的虚拟图书馆战略使IEI材料的合理设计成为可能.
- 这项工作为推进AIE材料开发建立了一个强大的框架.
相关概念视频
01:14Molecular Spectroscopy: Absorption and Emission
1.9K
Molecules possess discrete energy levels called quantum states. Unlike atoms, which have simpler energy levels, molecules possess additional rotational and vibrational energy levels. Each energy level is separated by an energy gap, with the gaps between adjacent electronic, vibrational, and rotational levels varying significantly. The three types of energy levels in a diatomic molecule are shown in Figure 1.
1.9K
02:27Predicting Molecular Geometry
34.1K
VSEPR Theory for Determination of Electron Pair Geometries
34.1K