基于可解释机器学习的溶液加工有机薄膜溶剂依赖性载流子迁移率研究

本文通过迁移学习（transfer learning）结合可解释机器学习（ML）技术，构建了溶剂特性与四联噻吩（QT）薄膜载流子迁移率的定量预测模型（R2达0.80）。研究揭示了汉森溶解度参数（HSP）δD、δH和溶剂摩尔体积（MolVol）是影响薄膜性能的关键因素，为有机半导体溶液加工工艺优化提供了理论框架。该成果发表于《Advanced Materials》子刊，首次实现从溶剂特性到电荷传输性能的多尺度模拟预测。

　　

1 引言

溶液加工有机半导体薄膜在柔性电子器件领域具有重要应用价值。研究表明，除分子结构外，活性层形态是决定器件性能的关键因素。通过弯月面引导涂布（MGC）技术如浸涂、溶液剪切和区域铸造，可实现分子有序排列并抑制无序微结构形成。然而，溶剂特性如何影响薄膜形态和电荷传输的机制尚不明确，当前仍依赖试错法优化工艺条件。

传统理论模型虽引入溶剂蒸发熵、摩尔体积和沸点等参数，但缺乏定量预测薄膜迁移率的系统性框架。分子动力学（MD）结合动力学蒙特卡洛（KMC）模拟虽能揭示形态-迁移率关系，但转移积分计算的高计算成本成为瓶颈。机器学习（ML）通过加速转移积分预测，为大规模薄膜系统模拟提供新思路。前期工作采用迁移学习方法，将动态无序数据集预训练与静态无序数据集微调相结合，显著降低计算成本，但溶剂-性能定量模型仍有待建立。

2 结果

2.1 迁移率预测与数据集构建

通过MD模拟13种溶剂（苯、甲苯、四氢呋喃THF等）处理的QT薄膜形态，结合迁移学习模型预测转移积分，将KMC模拟时间从2周缩短至30分钟。研究发现THF和二氧六环（DiO）处理的薄膜具有贯通传输网络，迁移率>2.0 cm² V^-1 s^-1；而乙腈（Ace）和乙酸乙酯（EtEO）处理的薄膜迁移率<0.5 cm² V^-1 s^-1，且存在面朝上分子取向破坏传输网络。值得注意的是，溶剂极性（偶极矩）与迁移率无明确相关性。

2.2 模型迭代与超参数优化

针对小样本数据集（n=13），采用留一交叉验证（LOOCV）和渐进特征选择策略。核岭回归（KRR）模型在δD、δH和MolVol三个特征下表现最优（MAE_LOO=0.2580，R²=0.79）。SHAP分析显示：

• δD（色散作用）与迁移率正相关

• MolVol（分子体积）与迁移率负相关

• δH（氢键作用）呈非单调影响，与QT参数（δH=7.8）相近时促进迁移率

2.3 模型解释

最优溶剂应满足：高δD（≈18.9）、适中δH（≈7.8）和小MolVol。该标准预测DMSO处理薄膜迁移率为2.05 cm² V^-1 s^-1，实际模拟值为1.46±0.39 cm² V^-1 s^-1，验证了模型区分优劣溶剂的能力。

3 结论

研究建立了溶剂特性-薄膜性能的定量关系模型，提出"相似相溶+小分子体积"的溶剂筛选准则。δD、δH和MolVol被确定为关键参数，其中δD权重最高（HSP经验系数为4）。该工作为有机半导体溶液加工提供了从定性认知到定量预测的方法学突破。

4 实验方法

• 薄膜形态模拟：采用LAMMPS软件，GAFF力场，模拟溶液剪切过程（5 m/s，7.5 ns溶剂蒸发）

• 迁移学习模型：PyTorch实现，ReLU激活函数，动态无序数据集预训练+静态无序微调

• 电荷传输模拟：基于Einstein关系的KMC程序，核隧穿电荷转移率方程计算跳跃速率

• 模型训练：XGBoost/scikit-learn实现，网格搜索优化超参数，SHAP值分析特征重要性