Efficient Screening of Organic Singlet Fission Molecules Using Graph Neural Networks
《Advanced Science》:Efficient Screening of Organic Singlet Fission Molecules Using Graph Neural Networks
编辑推荐:
单重态裂变(Singlet Fission, SF)为超越肖克利-奎塞尔极限(Shockley-Queisser limit)的光伏技术提供了一种极具前景的策略,从而实现高效、可持续的太阳能捕获。然而,合适的分子候选者稀缺,且传统的激发态量子化学方法计算成本高
单重态裂变(Singlet Fission, SF)为超越肖克利-奎塞尔极限(Shockley-Queisser limit)的光伏技术提供了一种极具前景的策略,从而实现高效、可持续的太阳能捕获。然而,合适的分子候选者稀缺,且传统的激发态量子化学方法计算成本高昂,阻碍了高效SF材料的识别。本研究引入了一种结合图神经网络(Graph Neural Network, GNN)与多级验证的高通量筛选框架,以加速潜在SF候选者的发现。该GNN基于先前报道的FORMED数据库进行训练,对SF相关的激发态性质实现了高精度预测,对S1、T1和T2激发能的平均绝对误差(Mean Absolute Error, MAE)约为0.1 eV。这一能力使得研究人员能够高效筛选来自OE62和QO2Mol数据库的超过2000万个分子结构。该框架显著降低了与时间依赖密度泛函理论(Time-Dependent Density Functional Theory, TDDFT)验证相关的计算需求,识别出180个潜在的SF分子及超过1000个构象异构体。随后关于合成可及性(Synthetic Accessibility)、GW近似(GW Approximation)及贝特-萨尔皮特方程(Bethe-Salpeter Equation, BSE)计算的评估进一步凸显了这些候选者中具备实验可行性的子集。本方法例证了一种有效的、由人工智能驱动的策略,用于加速可持续光电子应用中功能材料的发现。
论文解读:基于图神经网络的高效有机单重态裂变分子筛选
该研究发表于《Advanced Science》,针对有机光伏领域中单重态裂变材料匮乏及传统筛选方法计算成本过高的问题,开发了一套结合图神经网络与多级物理验证的高通量筛选框架。研究人员首先指出,尽管单重态裂变(SF)现象在有机体系中具有突破肖克利-奎塞尔极限、提升太阳能电池功率转换效率的潜力,但目前已知的稳定SF分子数量有限,且理论筛选面临热力学条件判断与高精度激发态计算难以兼顾的挑战。现有机器学习模型往往精度不足且泛化性差,多数筛选工作仅依赖单一能量判据,缺乏对分子合成可行性的综合考量。
为解决上述问题,研究人员构建了基于FORMED数据库训练的图神经网络(GNN)模型。关键技术方法包括:利用GFN2-xTB半经验方法进行几何优化,采用ωB97X-D/6-31G(d)水平的TDDFT计算获取激发态数据;构建包含原子元素类型节点特征和原子间距离边特征的分子图;利用训练好的GNN模型对OE62和QO2Mol数据库中的海量分子进行激发能(S1, T1, T2)的快速预测;引入SF评分函数(ξ)量化分子潜力;结合TDDFT和GW+BSE方法进行多级验证;并利用DeepSA模型评估合成可及性。
研究结果
1. 策略(Strategy)
研究人员提出了结合GNN与SF评分函数的筛选工作流。通过t-SNE算法可视化分析了FORMED、QM9、OE62和QO2Mol四个数据集的化学空间分布,证实了数据集的多样性。定义了包含能量匹配条件(ES1≥ 2ET1, ET2≥ 2ET1, ET1≥ Eg)的SF评分函数,用于量化评估分子。
2. GNN的训练与测试(Train and Test of GNN)
GNN模型在FORMED数据库上进行了训练与测试。结果表明,该模型在预测HOMO-LUMO能隙(EHL)及S1、T1、T2激发能方面表现出色,MAE分别达到0.16 eV、0.11 eV、0.08 eV和0.08 eV,显著优于XGBoost和SchNet等基准模型,决定系数(R2)均超过0.95,证明了模型的高精度和强泛化能力。
3. 预测(Prediction)
利用训练好的GNN模型对OE62和QO2Mol数据库进行预测。考虑到模型约0.1 eV的预测误差,研究人员引入了截止能量(δ)放宽筛选标准。通过对OE62数据集在不同δ值下的分类性能分析,确定了δ=0.2 eV为兼顾召回率与计算成本的最佳阈值。最终将TDDFT验证的计算任务从2000万次大幅缩减至约5000次。经TDDFT验证及SMILES字符串去重后,共获得180个独特的潜在SF分子。
4. 单重态裂变分子(Singlet Fission Molecules)
在筛选出的分子中,研究人员利用DeepSA模型评估其合成难易程度,筛选出79个易合成(ES)分子。进一步采用GW+BSE方法对这些ES分子进行高精度验证,发现其中有30个分子在两种理论水平上均表现出正的SF评分。帕累托前沿分析揭示了合成可及性与SF潜力之间的平衡关系,并展示了8个代表性分子结构,这些分子涵盖了从已知化合物到全新结构的广泛范围,且多数具有较大的振子强度(f),显示出良好的光捕获能力。
结论
该研究总结道,通过集成基于FORMED数据库训练的GNN与多级物理验证,成功建立了一个高效且通用的框架,用于大规模发现有机SF分子。该工作不仅显著降低了计算成本,还通过结合合成可及性分析与GW+BSE验证,确立了一个可靠的候选分子库,为进一步的实验研究提供了坚实基础。此外,这种分层筛选策略为加速筛选其他由激发态现象主导的功能分子(如荧光、磷光材料)提供了一个可迁移的范式。