光材料的机器学习驱动设计:原则,方法和未来方向
Qihang Bian1, Xiangfu Wang1,2
1College of Electronic and Optical Engineering & College of Flexible Electronics (Future Technology), Nanjing University of Posts and Telecommunications, Nanjing 210023, China.
机器学习 (ML) 加快了用于生物成像和显示的双模式光材料的发现. 本综述总结了ML方法,应用和材料性能预测方面的挑战,为高效的材料设计提供了路线图.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 数据科学数据科学数据科学
背景情况:
- 双模式光材料对于生物成像,传感,显示和照明等先进应用至关重要.
- 优化这些材料的传统方法是昂贵的,劳动密集型,并与复杂的结构-财产关系作斗争.
研究的目的:
- 系统地审查机器学习 (ML) 在预测光材料性能方面的应用.
- 总结ML在光材料设计中的基本原则,方法和应用.
主要方法:
- 涵盖了核心的ML技术,包括监督回归,神经网络和基于物理的混合框架.
- 分析了代表性的光材料,如AIE发光剂,TADF发射器,量子点,碳点,矿和无机.
- 细节建模工作流程:数据预处理,描述器选择,模型验证和算法优化策略,如数据增强和转移学习.
主要成果:
- 机器学习为预测光材料性能提供了传统方法的强大替代方案.
- 各种ML模型和工作流已经成功地应用于各种类型的光材料.
- 确定了提高ML模型性能和适用性的关键策略.
结论:
- 机器学习显著提高了光材料设计和发现的效率和准确性.
- 解决了数据稀缺性,模型可解释性和可转移性等挑战,以在材料科学中推进ML.
- 为ML驱动的光材料研究提供了全面的概述和未来前景.
更多相关视频
12:51A 'Plug and Play' Method to Create Water-dispersible Nanoassemblies Containing an Amphiphilic Polymer, Organic Dyes and Upconverting Nanoparticles
Published on: November 14, 2015
08:51Scale-up Chemical Synthesis of Thermally-activated Delayed Fluorescence Emitters Based on the Dibenzothiophene-S,S-Dioxide Core
Published on: October 24, 2017
相关概念视频
Photoluminescence: Applications
Super-resolution Fluorescence Microscopy
Variables Affecting Phosphorescence and Fluorescence
