基于Cr3+的近红外的机器学习辅助发现
Amit Kumar1,2, Arslan Akbar1,2, Hannah Lesmes1,2
1Department of Chemistry, University of Houston, Houston, Texas 77204, United States.
概括
机器学习准确地预测了替代中的晶场分裂 (Dq/B比). 这加快了用于各种应用的新近红外 (NIR) 发射材料的发现.
科学领域:
- 材料科学 材料科学 材料科学
- 固态化学 固态化学
- 计算材料科学科学 计算材料科学
背景情况:
- 用Cr3+替代的无机散发近红外 (NIR) 光 (650-950 nm).
- 发射特性取决于Cr3+离子的晶场分裂 (用Dq/B比量化) .
- 由于复杂的材料相互作用,设计具有特定Dq/B比率的光体具有挑战性.
研究的目的:
- 开发一种机器学习模型,用于预测Cr3+替代中的Dq/B比.
- 加速新型NIR光的发现,用于生物医学成像和传感等应用.
主要方法:
- 在 193 个实验确定的 Dq/B 值和材料特征上训练了一个回归模型.
- 该模型预测了超过6060种无机结构的Dq/B值.
- 为了验证模型,合成和表征了八个预测的宿主.
主要成果:
- 机器学习模型准确地预测了Dq/B值.
- 合成的体表现出测量的Dq/B值与模型预测密切匹配.
- 该研究确定了基于Cr3+的NIR光体的有希望的新宿主.
结论:
- 机器学习为预测和设计Cr3+替代的NIR光体提供了强大的工具.
- 这种方法显著加速了具有定制光学特性的材料的发现.
- 开发的框架允许对特定应用的材料空间进行有效的探索.


