机器学习与生成模型驱动的圆偏振热激活延迟荧光材料智能设计新策略

本研究针对圆偏振热激活延迟荧光（CP-TADF）材料发光不对称因子（|glum|）实验与理论预测差异显著的问题，通过机器学习（ML）结合Morgan指纹构建预测模型，并集成生成式变分自编码器进行逆向设计，成功筛选出兼具高|glum|值和合成可行性的分子，为CP-TADF材料的智能化开发提供了理论-实验桥梁。

　　

为突破圆偏振热激活延迟荧光（CP-TADF）材料在光电应用中的瓶颈，研究者聚焦于关键参数发光不对称因子（g_lum）的精准预测。通过系统性分析发现，已有实验与理论计算间存在显著差异。为此，团队采用机器学习（ML）技术，以Morgan分子指纹为特征输入预测|g_lum|值，辅以Klekota-Roth指纹和SHAP（Shapley Additive Explanations）解析结构贡献度。进一步结合改进的变分自编码器（VAE）生成模型，以|g_lum|为优化目标进行分子逆向设计，成功发掘出同时具备高发光不对称性与合成可行性的CP-TADF候选分子。该智能计算框架有效弥合了理论设计与实验验证间的鸿沟，为新一代手性发光材料的加速开发提供了新范式。