一种用于萘二甲酰亚胺(Naphthalene Diimide, NDI)基金属有机框架(Metal–Organic Framework, MOF)连接体HOMO–LUMO带隙快速预测的杂化密度泛函理论(DFT)–机器学习(ML)方法

《Materials Chemistry and Physics》：A hybrid DFT–machine learning approach for fast HOMO–LUMO gap prediction in naphthalene diimide MOF linkers

　　

萘二甲酰亚胺（Naphthalene Diimides, NDIs）是一类缺电子芳香化合物，因其高电子亲和能、优异稳定性及可调控的光电性质，被广泛应用于有机电子学、光伏及金属有机框架（Metal–Organic Frameworks, MOFs）领域。精确调控其最高占据分子轨道与最低未占分子轨道（Highest Occupied Molecular Orbital–Lowest Unoccupied Molecular Orbital, HOMO–LUMO）能隙对其性能优化至关重要，但传统密度泛函理论（Density Functional Theory, DFT）计算存在泛函敏感性与计算成本高等局限，难以满足高效预测需求。研究人员提出一种杂化DFT–机器学习（Machine Learning, ML）框架，对195种带有供电子基（Electron-Donating Groups, EDGs）与吸电子基（Electron-Withdrawing Groups, EWGs）的结构多样性NDI衍生物进行HOMO–LUMO能隙的高效准确预测。DFT计算仅用于获取作为回归目标的参考HOMO–LUMO能隙，所有ML输入特征均由分子SMILES表达式经RDKit生成的化学信息学描述符提供。所测试的算法中，LightGBM模型表现最优（决定系数R2= 0.86，均方根误差RMSE = 0.25 eV），具备良好的泛化能力、低误差离散度及合理的 Uncertainty Quantification（UQ）。SHAP（Shapley Additive exPlanations）分析表明拓扑、电子及立体描述符对能隙调控起关键作用。相比基准模型，该杂化方法显著缩短计算时间并捕捉复杂构效关系。除虚拟筛选外，模型具机理解释性，可指导具有定制带隙的NDI分子理性设计，适用于光电器件及MOF应用。本研究为未来将主动学习（Active Learning）、迁移学习（Transfer Learning）及不确定性量化整合入π共轭体系高通量筛选流程奠定基础。

论文解读：萘二甲酰亚胺（NDI）基金属有机框架（MOF）连接体HOMO–LUMO带隙的DFT–机器学习杂化预测方法研究

该论文发表于《Materials Chemistry and Physics》。萘二甲酰亚胺（Naphthalene Diimide, NDI）因高电子亲和能、良好电荷迁移率及热/氧化稳定性，常作为电子受体单元用于有机光伏、场效应晶体管及金属有机框架（Metal–Organic Framework, MOF）连接体中。NDI的光电性能强烈依赖于其HOMO–LUMO能隙（Eg），而能隙受取代基电子效应与共轭程度调控。传统密度泛函理论（Density Functional Theory, DFT）虽可提供参考值，但存在泛函/基组依赖性导致的系统偏差，且高精度方法（如GW、二阶微扰理论）计算成本过高，难以支撑大批量虚拟筛选。现有研究已证明机器学习（Machine Learning, ML）可结合DFT精度与统计建模效率，通过描述符学习结构–性质关系（Structure–Property Relationship），弥补纯理论方法的不足。为此，研究人员构建了NDI衍生物数据库并开展DFT基准验证，提取RDKit描述符训练多种集成学习模型，旨在建立快速、准确且具解释性的HOMO–LUMO能隙预测框架，服务于NDI基功能材料的理性设计。

研究人员选取195种NDI衍生物（轴向苯基或吡啶基上连接各类EDG/EWG、卤素、烷基及环状/芳香取代基），以Gaussian 16在B3LYP/6?31G(d,p)水平优化几何并计算Kohn–Sham HOMO、LUMO能级得到能隙作监督学习标签；分子SMILES经RDKit计算二维拓扑/电子/立体描述符作为输入特征，剔除低方差与高度共线特征后按8:2划分训练集与测试集，采用5折交叉验证与网格搜索调参，对比Random Forest、XGBoost、LightGBM及CatBoost四种算法，并以SHAP（Shapley Additive exPlanations）进行特征重要性及作用方向分析，另用聚类分层拆分（GroupKFold, Morgan指纹）检验模型化学泛化性，并对最优模型加置信预测区间（Conformal Prediction, MAPIE jackknife+）。

1. Introduction（引言）

研究人员综述了NDI的化学特性、在MOF及光电器件中的应用现状，指出现有DFT方法在能隙预测中的局限——泛函敏感性致低估带隙、高阶方法昂贵——阐明引入ML构建DFT–ML杂化框架的必要性，明确研究目标为在固定NDI母核上通过取代基变化预测Eg，适用范围限定于该NDI家族。

2. Methods（方法）

2.1. Construction of the NDI derivatives database（NDI衍生物数据库的构建）

研究人员围绕NDI核心构建含195个化合物的分子库，涵盖EDG（—NH₂、—OCH₃、—OH、—OC₂H₅、—OC₃H₇）、EWG（—NO₂、—CN、—COOH）、卤素（F、Cl、Br）、烷基（CH₃、C₂H₅、C₃H₇、异丙基、叔丁基）及环/芳香体系（环丙基、环戊二烯、苯、吡咯、吡啶、乙烯基），强调模型适用域限于此类取代NDI。

2.2. Validation of the DFT methodology（DFT计算方法验证）

研究人员以无取代苯基NDI（Ph?NDI?Ph）和吡啶基NDI（Pry?NDI?Pry）为参照，比对B3LYP、CAM?B3LYP、M06?2X三种泛函配6?31G(d,p)与6?311G(d,p)基组，确认B3LYP/6?31G(d,p)所得Eg（3.60 eV与3.56 eV）与实验值吻合最佳，CAM?B3LYP与M06?2X显著高估；扩展至32个文献报道NDI衍生物进一步验证DFT协议合理性，并测试LightGBM在外推实验子集的表现以评估迁移适用性。

2.3. Frontier orbital analysis for representative compounds（代表性化合物前线分子轨道分析）

研究人员选取六例代表性NDI衍生物做B3LYP/6?31G(d,p)前线轨道可视化，发现强给电子取代使HOMO/LUMO高度离域且Eg缩小（最低1.13 eV），强吸电子或位阻大的取代使轨道局限于NDI核且Eg增大（最高3.63 eV），证实取代基调控共轭程度与轨道定域性进而影响Eg。

2.4. Statistical analysis and data preprocessing（统计分析与数据预处理）

研究人员统计195个分子DFT Eg范围为1.13–3.63 eV（均值≈3.00 eV），HOMO为?8.13 ~ ?4.71 eV，LUMO为?4.57 ~ ?2.97 eV；SMILES经RDKit生成描述符矩阵X，DFT Eg为标签向量y；删除方差<0.01及皮尔逊相关系数>0.95的特征以防过拟合与信息冗余，确保ML输入纯为化学信息学描述符。

2.5. Predictive model design（预测模型设计）

研究人员以80%训练、20%测试划分数据，对四种树模型做网格搜索超参优化并5折交叉验证，评价指标为R²与RMSE；额外采用基于Morgan指纹聚类的GroupKFold分层拆分验证防结构泄露；对最优LightGBM用MAPIE做jackknife+一致性预测给出不确定性区间。

3. Results（结果）

3.1. Gap modulation by substituents and descriptors（取代基与描述符对能隙的调制作用）

研究人员通过相关性热图与成对散点图发现VSA_EState1（电子态加权表面积）与Eg呈强负相关（r = ?0.61），MinEStateIndex呈正相关（r = +0.55），SPS（立体极性参数）与Chi0n亦参与调控；EDG取代倾向降低Eg（轨道离域增强），EWG升高Eg（LUMO稳定化），与已知化学规律一致。

3.2. Baseline model performance for NDI energy gap prediction（基线模型性能）

未调优模型训练R²= 0.92、RMSE = 0.16 eV但测试R²= 0.69、RMSE = 0.37 eV，明显过拟合，说明需正则化与先进集成算法。

3.3. Evaluation of ML predictive performance（ML预测性能评价）

LightGBM与XGBoost测试集R²均达0.86、RMSE = 0.25 eV，Random Forest为R²= 0.83/RMSE = 0.28 eV，CatBoost为R²= 0.82/RMSE = 0.28 eV；LightGBM与XGBoost误差分布更集中，泛化最佳。

3.4. Comparison of ML models（ML模型比较）

Bootstrapping平均指标显示LightGBM综合最优（R²≈ 0.82，RMSE ≈ 0.29 eV，覆盖率≈0.55，效率≈0.30），Random Forest次之，CatBoost校准略差；梯度提升类模型整体优于Random Forest，与课题组前期MOF吸附及纳米毒性预测结论吻合。一致性预测在68%置信水平下经验覆盖率0.72，平均区间宽0.40 eV，可标记高不确定候选供后续校验。

3.5. Learning curves analysis for LightGBM model（LightGBM学习曲线分析）

训练误差随样本数增加持续降至<0.15 eV，5折交叉验证RMSE在>60个训练样本后稳定在≈0.25 eV且方差收窄，说明LightGBM在该数据规模下达较好偏差–方差平衡，无明显过拟合。

3.6. Feature importance analysis based on SHAP values（基于SHAP值的特征重要性分析）

全局SHAP重要性排序前位为SPS、MinEStateIndex、VSA_EState1、VSA_EState7、EState_VSA9、Chi0n、Kappa1、Phi、BCUT2D_LOGPLOW等，表明Eg受分子整体拓扑/形状、原子级电子拓扑（E?state指数）及属性加权表面积共同调控；SHAP依赖图揭示非线性效应与交互作用，电子离域表面积增大压窄带隙，分支/位阻增大拓宽带隙，与前线轨道分析及经典取代基效应相符。

4. Discussion（讨论）

研究人员指出LightGBM测试RMSE 0.25 eV与近期文献中ML–DFT预测前线轨道能隙精度相当；模型选择需关注跨折稳定性以防过拟合。本工作未包含溶剂/固态堆积效应（气相DFT标签），预测值与实验光学/电化学带隙间存在约0.2–0.3 eV系统偏移属正常现象。适用性域严格限制于NDI母核取代变体，外推至苝二甲酰亚胺（Perylene Diimide, PDI）等需迁移学习或扩充训练集。未来方向包括：扩大核心种类（aza?NDI、PDI）、引入主动学习聚焦高不确定性区、用少量实验数据做迁移学习校正系统偏差、加入贝叶斯或集成不确定性量化辅助决策、对比半经验/DFTB等近似量子方法与ML的性价比，以及在大数据下尝试图神经网络（Graph Neural Network, GNN）以自动学结构特征。计算耗时方面，195个分子DFT标注共耗761.24 CPU小时（均值3.90 h/分子），ML推断与描述符生成可忽略，虚拟筛选超过~200个分子即获净时间收益。该框架可用于MOF设计中按金属节点氧化还原窗口预筛NDI连接体带隙。

5. Conclusion（结论）

研究人员证明，结合B3LYP/6?31G(d,p)计算的参考HOMO–LUMO能隙与RDKit二维描述符训练的LightGBM模型（测试R²= 0.86，RMSE = 0.25 eV）可高效、准确预测同一NDI母核上不同取代衍生物的能隙，显著优于基线模型与传统单点DFT筛查。SHAP分析揭示拓扑、电子态及立体描述符的关键调控作用，赋予模型机理解释性。该杂化DFT–ML框架适用于NDI连接体快速虚拟筛选与带隙导向的理性分子设计，为光电与传感材料加速发现提供可扩展范式；局限系数据集规模及单一泛函基准，后续可通过多保真度策略、主动学习与迁移实验数据进一步提升泛化能力与预测真实性。