机器学习助力有机半导体设计与发现的研究进展

这篇综述系统阐述了机器学习（ML）在有机半导体（OSCs）设计中的革命性作用，通过解析合成-加工-结构-性能-功能的多维关系，突破传统试错法局限。文章详述了ML模型开发流程（如特征工程、监督/无监督学习算法），并展示了其在预测分子/材料特性（如重组能ΔGc、载流子迁移率）及逆向设计新型OSCs（如GAN生成荧光分子）中的成功案例，为加速功能材料开发提供AI范式。

　　

A BRIEF PRIMER ON MACHINE LEARNING

机器学习（ML）模型通过分析训练数据中的关联模式来预测材料特性，其开发流程涵盖数据准备、模型构建与评估三大阶段。数据预处理中，特征工程将分子描述符（如SMILES字符串、库仑矩阵）转化为可计算的向量，而维度缩减技术（如主成分分析）能优化特征空间。监督学习算法中，支持向量机（SVM）通过超平面分类数据，随机森林（RF）利用决策树集成预测性能，而图神经网络（GNN）擅长处理分子拓扑结构。无监督学习则适用于聚类分析（如k-means划分晶体多晶型）和降维可视化。

MACHINE LEARNING FOR MOLECULAR AND MATERIAL PROPERTY PREDICTIONS

ML在OSCs特性预测方面表现卓越：

• •

  分子尺度：深度神经网络（DNN）预测寡聚噻吩的激发态能量误差仅20-50 meV，而消息传递神经网络（MPNN）可精准计算分子间电子耦合，进而推算载流子各向异性。

• •

  材料性能：梯度提升决策树（GBDT）模型以32 K误差预测熔点（T_m），结合焓变（ΔH_m）数据筛选出易形成片晶的分子（ΔG_c < -7.5 kJ/mol）。

• •

  器件功能：随机森林模型对有机光伏给体-受体对的功率转换效率（PCE）预测R²达0.71，成功指导了噻二唑基材料的合成验证。

AI FOR MOLECULAR AND MATERIALS DISCOVERY

生成模型开创OSCs逆向设计新路径：

• •

  VAE与GAN：变分自编码器（VAE）通过潜空间优化生成目标特性的SMILES字符串，而生成对抗网络（GAN）设计了具有特定HOMO-LUMO能隙（<2.0 eV）的寡聚物库。

• •

  强化学习：结合RNN与TDDFT计算，发现29种潜在单线态裂变（SF）材料，其SCScore合成可行性评分优异。

• •

  晶体工程：核函数ML联合聚类分析绘制并五苯晶体能量景观，预测出迁移率高于母体的异构体。

CONCLUSIONS AND PERSPECTIVES

当前挑战包括开发对称不变的分子表征、建立涵盖加工条件的标准化数据库，以及整合器件结构优化算法。尽管AI/ML已显著加速OSCs研发，仍需跨学科协作以实现从计算设计到自主实验的全链条创新。