机器学习引导的导电性预测在2D有机金属化物加速电磁波吸收设计的有机金属化物
Ruru Gao1, Hongcheng Shang2, Qinglin Zhou1
1School of Chemistry and Chemical Engineering, Nanjing University of Science and Technology, Nanjing 210094, China.
ACS applied materials & interfaces
|June 19, 2025
概括
机器学习加速了电磁波 (EMW) 吸收器的设计,通过预测二维有机金属素化物 (2D OMC) 的导电性. 这种方法有效地指导材料选择,以优化EMW吸收性能.
科学领域:
- 材料科学 材料科学 材料科学
- 凝聚物质物理学 凝聚物质物理学
- 计算化学计算化学
背景情况:
- 电磁波 (EMW) 吸收器的合理设计需要精确控制材料导电性.
- 传统的试错方法在探索二维有机金属素化物 (2D OMCs) 复杂的合成参数空间方面是无效的.
研究的目的:
- 开发一个机器学习框架,以基于合成参数来预测2D OMC中的电导率.
- 为了实现针对性EMW吸收器设计的定量预测,克服经验方法的局限性.
主要方法:
- 训练了一种机器学习模型,以破译2D OMC 中的合成参数和电导率之间的非线性关系.
- 该模型被评估为其在分类导电率水平的准确性及其对新材料的推断能力.
主要成果:
- 机器学习模型在将2D OMC导电性分为三个不同级别时达到86%的准确性.
- 该模型表现出强大的外推能力,准确预测了15个新型OMC中的12个的导电性.
- 该框架有效地根据预测电导率对2D OMC的EMW吸收性能进行了排名.
结论:
- 机器学习提供了一种强大的策略,可以加速先进的EMW吸收材料的设计和合成.
- 这种方法揭示了复杂的结构-属性关系,使得高精度的目标材料发现成为可能.
- 开发的框架大大加快了针对特定EMW吸收应用的材料的优化.
更多相关视频
06:17Quantifying the Relative Thickness of Conductive Ferromagnetic Materials Using Detector Coil-Based Pulsed Eddy Current Sensors
Published on: January 16, 2020
5.8K
11:09Scalable Solution-processed Fabrication Strategy for High-performance, Flexible, Transparent Electrodes with Embedded Metal Mesh
Published on: June 23, 2017
10.3K
