黑龙江大学Chemical Science：机器学习辅助高通量筛选OLED阳极材料

文章预览

▲共同一作：崔丽莹 李庆 通讯作者：郑冰 研究员 通讯单位：黑龙江大学 论文DOI： 10.1039/d4sc05598e （点击文末「阅读原文」，直达链接）     全文速览 本研究提出了一个结合高通量虚拟筛选与机器学习模型的目标驱动材料设计框架，用于加速新型透明OLED阳极材料的开发。所构建的二维纳米材料功函预测模型(CatBoost)具有较高的预测精度(平均绝对误差(MAE)仅为0.20 eV)；通过SHAP加性解释方法，揭示了基于材料整体结构的特征和一系列基于材料组分的原子级特征对功函预测的重要作用，深化了人们对二维纳米材料功函本质的理解。通过稳健的机器学习模型、多条件组合筛选及密度泛函理论(DFT)计算，成功地确认了一种性能优于传统OLED阳极材料氧化铟锡(ITO)的新型二维纳米材料——PS。     背景介绍 有机发光二极管(OLED)是一种新型的显示技术，具有自发 ………………………………