机器学习辅助设计低荧光激发态偶氮苯光开关：合成便捷性与电子特性解析

研究人员通过机器学习(ML)分析设计了299种偶氮苯光开关(PSs)，旨在优化其最低π→π*跃迁能量及发射波长。采用XGBoost回归模型（R2=0.87）和随机森林模型（R2=0.92）精准预测了分子特性，揭示MaxEStateIndex等关键描述符。该研究为材料科学领域提供了新型光开关库及电子性质解析方案。

　　

这项研究利用机器学习(ML)技术对299种偶氮苯光开关(PSs)进行了系统性设计，重点解析其最低π→π*跃迁能量及荧光发射特性。通过埃林方程(Erying equation)计算显示，这些分子的跃迁波长可达256 nm。合成可行性指数(SALI)证实多数分子具备简易合成潜力。在众多测试模型中，极限梯度提升(XGBoost)回归以R²=0.87的精度脱颖而出，其中最大电拓扑态指数(MaxEStateIndex)被确认为最关键影响因素。针对发射波长的预测，随机森林模型表现更优（R²=0.92，MSE=0.38），SHAP值分析锁定Estate_VSA5、价电子数(NumValenceElectrons)等8个核心描述符。该工作不仅扩充了偶氮苯光开关分子库，更为其在材料科学领域的应用提供了电子结构层面的理论支撑。