在机器学习的指导下,发现了超亮绿色OLED的绝缘保护的高三位式外接主机
Sunggi An1, Truong Thi Thuy2, Eojin Jeon2
1Department of Chemical and Biomolecular Engineering, Korea Advanced Institute of Science and Technology (KAIST), 291, Daehak-ro, Yuseong-gu, Daejeon 34141, South Korea.
Journal of the American Chemical Society
|December 31, 2025
概括
机器学习 (ML) 通过结合 exciplex 设计规则来加速有机发光二极管 (OLED) 的发现. 这种基于物理的方法可以产生高效,稳定的OLED设备,
科学领域:
- 材料科学
- 有机电子
- 计算化学
背景情况:
- 机器学习 (ML) 在加速有机发光二极管 (OLED) 材料的发现方面显得有前途.
- 然而,它在提高OLED设备性能方面的应用仍然有限.
- 在先进的OLED架构中,Exciplex形成对于高效的能量传输和设备稳定性至关重要.
研究的目的:
- 开发一个机器学习 (ML) 工作流程,集成特定的设计标准,以提高OLED性能.
- 通过考虑 exciplex 特性来确定光敏光灯 (PSF) 的新型宿主材料.
- 建立基于物理的ML策略,用于设计高效和稳定的OLED设备.
主要方法:
- 开发了一种 ML 工作流程,其中包含了 exciplex 特定的标准:高三重能量,深度 LUMO 调整,高 BDE 和最佳重组能量.
- 采用ML工作流程对PSFOLED进行选的n型主机,重点是p型BPP-BCZ的exciplex形成.
- 在宿主材料 (DPSiTrz,DBiPSiTrz) 中引入了庞大的西兰基,以防止聚合并维持电子合以形成外.
主要成果:
- 确定了两种西兰功能化的n型宿主,DPSiTrz和DBiPSiTrz,它们与p型BPP-BCZ形成稳定的外接.
- 排外宿主表现出高的三重能量 (> 2. 50 eV),减少非辐射衰变,以及最小的反向能量转移 (BET).
- 制造的绿色PSFOLED实现了高外部量子效率 (EQE) 高达39.4%,具有卓越的运行稳定性 (LT95=134.4h在5000cd m-2) 和低效率的滚动.
结论:
- 基于ML的分子设计策略,通过exciplex行为和设备稳定性来发现高性能OLED是有效的.
- 基于物理学的 ML 结合了 exciplex 标准,成功地将分子设计转化为实验性强大的设备.
- 这种方法为开发高效且持久的有机发光二极管提供了途径.
