通过结合物理模型与数据驱动方法预测新型有机分子的室温磷光性能 开放获取

《Chemical Science》：Predicting Room Temperature Phosphorescence of New Organic Molecules by Combining Physical Models and Data-Driven MethodsOpen Access

　　

合理地发现新的室温磷光（RTP）发光体仍然具有挑战性，因为磷光取决于多种相互竞争的过程，包括系间窜越、非辐射衰减以及与荧光的竞争。虽然已经提出了多种机理假说，例如增强自旋-轨道耦合、减小单重态与三重态之间的能隙、以及有利的电子跃迁性质，但这些因素在多大程度上能够定量预测RTP行为仍不清晰。在本工作中，我们从文献中收集了包含218种无金属有机RTP发光体的数据集。我们首先探索了利用源自已知机理和假说的描述符来预测磷光产率的物理方法，例如有利的自旋-轨道耦合、重组能以及振子强度。尽管这些物理量与RTP行为之间显示出统计上显著的相关性，但仅靠物理模型不足以构建稳健的定量预测工具。因此，我们开发了基于随机森林算法的数据驱动机器学习（ML）模型，将这些由物理动机驱动的描述符与源自分子结构的额外拓扑描述符相结合。经过特征选择后，优化后的模型在识别长寿命（寿命 > 90 ms）和长波长（RTP发射波长 > 525 nm）RTP材料方面分别达到了0.774和0.820的预测准确率。通过物理过程与ML分析的边界界定，我们从48168个分子中筛选出65个候选分子，这些候选分子对于长寿命和长波长两种性质的预测概率均大于0.75，为后续实验验证提供了一个重点关注的潜在材料集合。

此内容仅通过PDF提供。

打开 PDF ——《通过结合物理模型与数据驱动方法预测新有机分子的室温磷光》PDF在新窗口中打开

? 2026 作者。由皇家化学会出版

2026

作者

本文依据知识共享署名4.0国际许可协议（Creative Commons Attribution 4.0 Unported Licence）授权。您可以在其他出版物中使用本文内容，无需另行向RSC申请许可，但须进行正确的署名致谢。

本作品依据 知识共享署名4.0国际许可协议 授权。