通訊單位：南京工業(yè)大學(xué)、西北工業(yè)大學(xué)等
鈣鈦礦發(fā)光二極管（PeLEDs）因其高色純度、高效率和高亮度而引起了廣泛關(guān)注，在顯示和照明方面顯示出巨大的潛在應(yīng)用。有機(jī)分子的增材工程，即在鈣鈦礦前體溶液中添加有機(jī)功能分子，對于實(shí)現(xiàn)高性能鈣鈦礦光電器件至關(guān)重要。添加劑的結(jié)構(gòu)和相關(guān)的物理化學(xué)性質(zhì)會(huì)影響器件性能，因?yàn)槠鋵︹}鈦礦晶體、形態(tài)、點(diǎn)缺陷和前體化學(xué)的影響很復(fù)雜。因此，通過實(shí)驗(yàn)尋找合適的添加劑既昂貴又耗時(shí)，而傳統(tǒng)的機(jī)器學(xué)習(xí)（ML）由于在這個(gè)相對較新的領(lǐng)域中可用的實(shí)驗(yàn)數(shù)據(jù)有限，因此難以準(zhǔn)確預(yù)測。
為此，南京工業(yè)大學(xué)黃維院士、王建浦教授、朱琳等人展示了一種深度學(xué)習(xí)（DL）方法，該方法可通過使用132個(gè)分子的小型數(shù)據(jù)集以高達(dá)96%的高精度預(yù)測鈣鈦礦發(fā)光二極管（PeLED）中添加劑的有效性。研究表明，該DL模型可最大限度地利用分子的信息，并顯著緩解以前傳統(tǒng)的ML模型進(jìn)行分子篩選時(shí)經(jīng)常出現(xiàn)的重復(fù)問題。通過使用預(yù)測的添加劑，最終可實(shí)現(xiàn)非常高效率的PeLED，其峰值外量子效率（EQE）高達(dá)22.7%。總之，這項(xiàng)工作為進(jìn)一步提高鈣鈦礦光電器件的性能開辟了一條新途徑。該研究以“Deep Learning for Additive Screening in Perovskite Light-Emitting Diodes”為題發(fā)表于國際化學(xué)頂級(jí)期刊《Angewandte Chemie International Edition》。
要點(diǎn)1：數(shù)據(jù)集準(zhǔn)備
由于可用的實(shí)驗(yàn)數(shù)據(jù)相對豐富，作者選擇了基于三碘化甲脒（FAPbI3）鈣鈦礦的 LED作為案例研究，器件結(jié)構(gòu)為ITO/PEIE-改性ZnO/FAPbI3/TFB/MoOx/Au。該結(jié)構(gòu)已得到廣泛應(yīng)用，可通過有效且平衡地注入電荷載流子來產(chǎn)生高效的電致發(fā)光。作者建立了一個(gè)包含132個(gè)經(jīng)過實(shí)驗(yàn)測試的添加劑分子的數(shù)據(jù)集用于訓(xùn)練ML模型，其中EQE的中值為10.3%。數(shù)據(jù)分為兩類：0~10.29%被視為“不良添加劑”，10.3%~22.0%被視為“良好添加劑”，二者分別標(biāo)記為0和1。數(shù)據(jù)集被隨機(jī)分成訓(xùn)練集和驗(yàn)證集，比例為90:10。此外，使用12個(gè)額外的分子作為測試集來驗(yàn)證模型的性能。
先前的研究表明，基于傳統(tǒng)的ML模型識(shí)別PeLED中添加劑分子的準(zhǔn)確率很低：支持向量機(jī)10倍交叉驗(yàn)證準(zhǔn)確率為78.57%，邏輯回歸為83.57%，樸素貝葉斯為80.71%，XGBoost為75.71%，LightGBM為69.29%，CatBoost為80.71%。作者意識(shí)到，已建立的單個(gè)分子指紋僅描述了分子的部分信息。MACCS指紋基于結(jié)構(gòu)片段的存在與否，反映了化學(xué)元素和子結(jié)構(gòu)。FP2指紋基于最多七個(gè)原子的線性片段索引小分子片段，并提供相對全面的線性化學(xué)環(huán)境。ECFP利用摩根算法對分子進(jìn)行編碼，是一個(gè)圓形拓?fù)渲讣y。
為獲得更多分子的化學(xué)結(jié)構(gòu)信息，作者構(gòu)建了一種基于神經(jīng)網(wǎng)絡(luò)的算法來組合多個(gè)指紋?；诖?，作者利用多個(gè)指紋作為輸入來訓(xùn)練增強(qiáng)分子信息模型（EMIM）。結(jié)果顯示，MACCS和ECFP的組合獲得了85.71%的驗(yàn)證準(zhǔn)確率，遠(yuǎn)高于單獨(dú)的 MACCS或ECFP。在FP2和ECFP樣本中也可獲得類似結(jié)果。令人鼓舞的是，具有多個(gè)指紋的EMIM的平均10倍交叉驗(yàn)證準(zhǔn)確率可達(dá)88.93%，顯著高于單個(gè)指紋。上述結(jié)果表明，EMIM模型可有效提取更全面的分子特征，從而具有較高的驗(yàn)證精度。
圖3. ML模型的平均驗(yàn)證準(zhǔn)確率
為進(jìn)一步提高模型篩選能力，需要將更多有用的分子信息整合到模型中。作者通過RDKit從SMILES生成208個(gè)添加劑描述符，并將其與多個(gè)指紋同時(shí)輸入EMIM模型。結(jié)果顯示，具有分子指紋和分子描述符的EMIM在訓(xùn)練中比多個(gè)指紋更有效，其最高準(zhǔn)確率為96.43%，10倍交叉驗(yàn)證實(shí)驗(yàn)的平均準(zhǔn)確率達(dá) 92.86%。上述結(jié)果表明，在能夠全面準(zhǔn)確地提取分子信息的情況下，基于EMIM強(qiáng)大的信息管理功能可顯著提高準(zhǔn)確性。
進(jìn)一步，作者通過使用12個(gè)額外的添加劑分子作為測試集進(jìn)一步驗(yàn)證了EMIM的可靠性。具有多個(gè)指紋的EMIM預(yù)測其中6個(gè)是“不良添加劑”，而結(jié)合描述符的模型預(yù)測5個(gè)是“不良添加劑”。然后，作者基于12種添加劑制造了器件并測量其性能。結(jié)果顯示，2個(gè)樣本預(yù)測與多指紋EMIM的實(shí)驗(yàn)結(jié)果不一致，表明準(zhǔn)確率為83%。帶有指紋和描述符的EMIM僅預(yù)測1個(gè)錯(cuò)誤樣本，表明準(zhǔn)確率為92%。因此，這種準(zhǔn)確性與訓(xùn)練結(jié)果非常匹配。
此外，EMIM還可有效為PeLED找到良好的添加劑。圖4顯示了使用一種高效添加劑Tween制造的器件的光電特性，該器件的峰值EQE可達(dá)22.7%，是效率最高的PeLED之一。作者認(rèn)為，使用Tween添加劑實(shí)現(xiàn)的高器件EQE是通過結(jié)晶過程、缺陷鈍化和形貌控制綜合增強(qiáng)的結(jié)果，僅通過實(shí)驗(yàn)方法不易獲得。
綜上所述，研究人員提出了一種高計(jì)算效率的新模型（EMIM）以實(shí)現(xiàn)基于小數(shù)據(jù)集的分子識(shí)別，該模型首次實(shí)現(xiàn)了高性能PeLEDs添加劑的有效性預(yù)測。通過使用預(yù)測的新添加劑，實(shí)現(xiàn)了具有高達(dá)22.7% 峰值EQE的高效PeLED。作者認(rèn)為，EMIM具有強(qiáng)大的功能，可通過小型實(shí)驗(yàn)數(shù)據(jù)集實(shí)現(xiàn)分子的準(zhǔn)確預(yù)測，這對于相對較新和快速發(fā)展的領(lǐng)域而言很有前景。
Deep Learning for Additive Screening in Perovskite Light-Emitting Diodes, Angewandte Chemie International Edition 2022. DOI: 10.1002/anie.202209337
https://onlinelibrary.wiley.com/doi/10.1002/anie.202209337
原創(chuàng)文章，作者：Gloria，如若轉(zhuǎn)載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/11/15/0e7c02c8e7/
-透明背底.png)
