《Journal of Chemical Information and Modeling》:Machine-Learning Predictions of Photoluminescence in Molecules Exhibiting Thermally Activated Delayed Fluorescence with Implicit Experimental Validation
编辑推荐:
机器学习在材料发现领域的应用常受限于大规模、经实验验证的材料数据库的可获得性。本研究提出一种自动端到端框架,通过直接从文献中挖掘实验数据来训练材料性能预测模型,以弥补这一缺口。研究人员将该框架应用于预测热激活延迟荧光(TADF)分子的光致发光(PL)波长。通过
机器学习在材料发现领域的应用常受限于大规模、经实验验证的材料数据库的可获得性。本研究提出一种自动端到端框架,通过直接从文献中挖掘实验数据来训练材料性能预测模型,以弥补这一缺口。研究人员将该框架应用于预测热激活延迟荧光(TADF)分子的光致发光(PL)波长。通过结合“化学感知”自然语言处理与自动化化学结构解析,获得了包含643条实验测量PL波长的数据集。基于这些实验数据,分别训练了异构图神经网络(HGNN)与岭回归模型;两种模型在个人笔记本电脑上均能在不到3分钟内达到低于0.13 eV的平均绝对误差(MAE),有效捕捉了复杂的结构-性能关系,无需人工特征工程。结果表明,该框架为有机光电领域的性能预测提供了一种快速、可扩展且具有泛化性的途径,能够生成基于实验数据的模型。
论文解读:《机器学习预测热激活延迟荧光分子的发光波长及隐式实验验证》
研究背景与意义
过去十年间,数据驱动与机器学习方法已成为加速材料表征与发现的潜力途径。然而,构建此类方法所需的大规模材料数据库往往难以获取:基于模拟的数据集因第一性原理计算成本过高而受限,且常因过度简化与数值误差受到质疑,易与实验实际产生偏差;而大规模众包实验数据库的稀缺进一步制约了该领域发展。热激活延迟荧光(TADF)分子作为下一代商用有机发光二极管(OLED)的有力候选者,理论上可实现100%的内量子效率,兼具优异加工性与成本优势。但由于TADF分子通常包含大量非氢原子,第一性原理电子结构计算成本呈指数级增长,导致针对该类分子的综合性数据库极为匮乏,阻碍了数据驱动方法在该领域的应用。其中,光致发光(PL)波长作为关键功能属性,其测定需优化基态与激发态几何结构,对模拟计算挑战更大。因此,开发快速准确的TADF分子PL波长预测工具,对提升实验与计算研究效率具有重要意义。现有研究多从文本中提取化学式为分子结构输入,忽略了更精细的结构信息,限制了预测模型的准确性。
关键技术方法
研究人员开发了端到端框架,首先通过改进的化学数据提取工具ChemDataExtractorTADF,从英国皇家化学会(RSC)、爱思唯尔(Elsevier)与威利(Wiley)出版社的文献中自动挖掘TADF分子在溶液中的PL波长及对应溶剂信息。针对Wiley期刊的PDF文件,研发了基于MinerU与ChemDataExtractor的新文本提取算法,并通过缩写检测与共指消解,将IUPAC名称转换为简化分子线性输入规范(SMILES)字符串,最终构建包含643条记录的数据集TadfPL。随后,研究人员采用两种方法开展预测建模:一是基于分子指纹的传统岭回归模型;二是改进的异构图神经网络(HGNN),其架构源于GraphSAGE并进行针对性调整。数据集按分层方式划分为训练集、验证集与测试集,确保无重复分子跨子集分布,且验证集与测试集仅含经清洗验证的真实数据,以避免信息泄露。
研究结果
数据集特征
数据挖掘流程共获得643条独特的PL峰值与溶剂记录,其中361条为经数据清洗验证的真实数据。TadfPL数据集的分子规模显著大于ESOL与Lipophilicity等常见有机分子基准数据集,非氢原子数量分布更广,对常规机器学习方法构成挑战。主成分分析(PCA)显示,数据集分子可分为两大分支,分别对应咔唑与三苯胺两类TADF设计中常见的分子片段,体现了数据集的结构多样性。
模型性能表现
岭回归模型采用RDKit指纹编码分子结构,经参数优化后,在测试集上的平均绝对误差(MAE)为0.129 eV,决定系数R2为0.79。异构图神经网络(HGNN)经超参数筛选后,最优配置参数量为55369,小于岭回归模型的65537。在测试集上的平均MAE达0.119±0.002 eV,R2为0.80,优于岭回归模型。与基线模型相比,HGNN参数量仅为原始同质GraphSAGE模型的六分之一,却实现了相当的预测性能;而参数量相近的小型GraphSAGE模型性能略逊于岭回归。预测残差分析显示,HGNN的误差分布更集中于零值附近,但两种模型均存在轻微负偏差,即对大PL值分子预测偏低,对小PL值分子预测偏高,研究人员认为这可能与数据集规模较小有关。针对三种已知TADF分子PXZ-TRZ、4CzIPN与DMAC-TRZ,两种模型的预测误差均小于0.1 eV。计算效率方面,岭回归模型训练耗时仅1.5分钟,HGNN模型训练约2.5分钟,均可在配备RTX 3050 GPU的个人笔记本电脑上完成。
溶剂效应的影响
尽管溶液PL波长对溶剂极性敏感,但TadfPL数据集中70%的记录使用甲苯作为溶剂,四氢呋喃与二氯甲烷仅占12%与11%,存在显著的数据不平衡。加入溶剂信息(独热编码)的HGNN模型MAE为0.131 eV,仅使用甲苯数据训练的模型MAE为0.129 eV,性能均未超越不含溶剂信息的模型。研究人员指出,若未来数据集溶剂分布更均衡,引入溶剂信息或可提升模型鲁棒性。
讨论与结论
本研究提出的通用框架,通过文献文本挖掘构建了包含643组结构-性能对的TadfPL数据集,并设计了针对Wiley期刊PDF的数据提取算法。基于实验数据训练的岭回归与HGNN模型,仅需SMILES字符串作为输入,即实现了≤0.13 eV的低预测误差。尽管数据集规模有限,模型仍表现出优异性能,且随着实验PL数据量的增加,其性能与鲁棒性有望进一步提升。使用实验数据训练的核心优势在于模型可通过实验实现隐式验证。该框架可轻松推广至TADF分子的其他光物理性能(如PL量子产率、单重态-三重态能级分裂)及其他有机电子材料的预测,为相关领域的材料筛选与发现提供加速路径。该研究发表于《Journal of Chemical Information and Modeling》。