机器学习辅助选和设计规则发现LWIR透明光学材料的设计规则

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
• 光学是什么?光学是什么?光学是什么?

背景情况:

• 推进热成像和传感需要低成本,高性能材料,在长波长红外 (LWIR) 频谱中透明.
• 目前的LWIR光学通常使用昂贵的无机材料,阻碍了广泛应用.

研究的目的:

• 开发一种机器学习 (ML) 驱动的框架,用于发现LWIR透明聚合物的新型碳化合物单体.
• 为增强红外透明度建立结构-财产关系.

主要方法:

• 利用传递信息的神经网络 (CMPNN) 来预测碳化合物的红外光谱.
• 分析了光谱扩展效应 (γ = 4-10) 以指导材料选择.
• 开发了回归模型,从ML衍生的指纹直接预测LWIR窗口透明度 (wT).

主要成果:

• 机器学习框架在各种数据集中展示了高的预测准确性和通用性.
• 确定了关键的结构-属性关系,揭示了与高LWIR透明度相关的描述符和子结构.
• ML优先考虑的图案与实验验证的共同体一致,并提出了新的,可信的支架.

结论:

• 机器学习方法为密度函数理论 (DFT) 提供了一个可扩展,具有成本效益的替代方案,用于选红外透明材料.
• 为下一代LWIR透明聚合物提供化学接地设计见解.
• 方便制定用于开发先进红外材料的设计规则.