基于物理原理的机器学习方法在荧光OLED光谱预测中的应用

《npj Computational Materials》：Physics-informed machine learning for spectrum prediction in phosphorescent OLEDs

　　

摘要

准确预测发射光谱对于合理设计光电子器件（如荧光有机发光二极管OLED）中的发光材料至关重要。我们提出了一种基于物理原理的机器学习框架，该框架将Franck–Condon过程作为可微分模块纳入光谱预测中。该模型能够估计关键的物理参数，并在连续的、可微分的、端到端可训练的公式框架内重建光谱，从而实现光谱域的直接监督学习。在多种架构和多种评估指标下，该方法的性能始终优于传统基线方法，并且随着光谱复杂性的增加仍能保持稳定的准确性，这表明其在捕捉完整光谱形状和特征方面具有显著优势。所学习到的参数具有可解释性，可以揭示哪些振动模式主导了光谱形状。通过基于物理的参数化方式，该框架在提高预测精度的同时保留了可解释性。与Franck–Condon原理一致，模式计数实验表明，少数具有较大Huang–Rhys因子的振动模式主导了整体的光谱特征。这些结果突显了基于物理的可微分模型在提高分子性质预测的准确性、鲁棒性和可解释性方面的实用性，并表明这类模型可以直接应用于发射光谱和吸收光谱分析。