基于机器学习的Pr3+ /Ce3+ 离子4fn-1 5d1 紫外吸收预测模型构建及其在UV-C荧光材料设计中的应用

研究人员针对UV-C（100-280 nm）荧光材料开发中宿主-杂质相互作用机制不明的难题，采用随机森林（RF）机器学习算法，通过22种结构-电子描述符成功预测了Pr3+ /Ce3+ 在氟/氧化物中的4fn ?4fn-1 5d1 吸收波长（误差<3 nm），发现高配位数（8-9）、大多面体体积及氟化物体系更利于UV-C发射，为抗病毒材料设计提供新范式。

　　

在抗击病毒传播的科技前沿，紫外光尤其是UV-C波段（100-280 nm）已被证实能有效灭活包括SARS-CoV-2在内的多种病原体。传统荧光灯正逐渐被高效环保的磷光体转换发光二极管（pc-LEDs）取代，但开发适用于UV-C波段的荧光材料仍面临重大挑战——其核心在于如何精准调控稀土离子4f^n-1
5d¹
激发态的能级位置。这一科学难题的解决，亟需突破宿主晶体场与Pr³⁺
/Ce³⁺
离子相互作用的定量预测瓶颈。

针对这一需求，来自罗马尼亚国家恢复与韧性计划（PNRR）支持的研究团队在《Journal of Luminescence》发表了一项创新研究。该工作首次将机器学习（ML）引入稀土离子光谱预测领域，通过构建包含22个关键描述符的数据库（涵盖多面体体积、配位数、阴离子电负性等），开发出两阶段随机森林（RF）预测模型。研究团队从46个掺杂中心（包括AF₃
、AF₂
和A₂
O₃
体系）中提取训练数据，最终实现对4f-5d吸收波长的高精度预测，平均绝对误差仅2.7 nm。

关键技术方法包括：1）基于Python构建的定制化RF算法；2）采用Dorenbos经验关系验证的5d能级数据集；3）通过特征重要性分析筛选出多面体体积（V_poly
）、配位数（CN）和电负性（χ）三大核心参数；4）利用空间群限制（P3c1、m3m、Ia3）确保结构一致性。

【Methods】
研究团队首先建立包含离子半径、带隙宽度等22种特征的数据库，通过特征工程筛选出对5d能级位移影响最大的结构参数。RF模型采用决策树集成策略，通过交叉验证优化超参数，最终实现输入特征与吸收波长的非线性映射。

【Dataset and results】
第一阶段预测显示，Pr³⁺
在LaF₃
中的4f¹
5d¹
→4f²
跃迁预测值为202 nm，与实验值205 nm高度吻合。特征重要性分析揭示：多面体体积（贡献度38%）、配位数（29%）和电负性（22%）主导能级位移。典型案例如CsCaF₃
:Pr³⁺
，其大V_poly
（42 ?³
）和CN=9的结构使吸收红移至218 nm。

【Conclusions】
该研究突破性地证明：1）氟化物中Pr³⁺
/Ce³⁺
的5d能级位移与V_poly
呈线性相关（R²
=0.91）；2）CN≥8的配位环境可使吸收波长蓝移15-20 nm；3）模型对未知化合物KMgF₃
:Ce³⁺
的预测误差仅1.8 nm。这些发现为定向设计UV-C荧光材料提供了量化标准，特别是揭示了氟化物体系在短波长发射中的独特优势。

讨论部分强调，该ML框架可扩展至其他稀土体系（如Nd³⁺
、Eu²⁺
），其结构-性能关联分析方法为《A-Lab》自动化材料开发平台提供了新思路。研究不仅解决了传统试错法效率低下的问题，更通过可解释的ML模型揭示了晶体场调控的物理本质，对开发新一代紫外消毒器件具有重要指导意义。