有机纳米聚合物单体数据库构建与主动学习预测HOMO/LUMO能级：加速光电纳米材料发现

本文通过构建11,224种梯型网格芳烃的有机纳米聚合物数据库，结合约束密度泛函理论（CDFT）与主动学习（AL）框架，开发了能精准预测能隙（band gap）、最高占据分子轨道（HOMO）和最低未占分子轨道（LUMO）的XGBoost模型（R2分别达0.94、0.92、0.87）。该方法以均值绝对误差（MAE）<0.11 eV的精度筛选出16种蓝光发射候选材料，为高通量设计有机光电纳米材料提供了数据驱动新范式。

　　

Highlight

通过有机纳米点自组装过程，我们构建了包含11,224种梯型网格芳烃的综合数据库。结合片段级约束密度泛函理论（CDFT）与分子描述符，XGBoost模型展现出对能隙、HOMO和LUMO能量的卓越预测能力。

Conclusions

本研究采用DFT计算与主动学习（AL）框架系统探究梯型网格芳烃的能隙特性。通过四轮迭代优化，模型以均值绝对误差（MAE）低于0.11 eV的精度筛选出16种能隙>4.00 eV的蓝光发射候选材料，并揭示了调控电子性能的关键分子描述符。该工作首次建立了梯型有机纳米网格芳烃（ONGA）的能隙/HOMO/LUMO数据库，为后续重组能、应变能研究及OLED/铁电应用提供了数据基础，显著加速了新一代光电材料的开发进程。