.png){kind=icon}
返回
Learning Radical Excited States from Sparse Data
.png){kind=icon}
OA
AI
DOI：10.1039/D5SC04276C.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
发射性有机自由基目前因其潜在应用于下一代高效有机发光二极管（OLED）器件以及作为分子量子比特而备受关注。然而，模拟其光电子性质具有挑战性，这主要归因于自旋污染和多组态特征的激发态。在此，我们提出了一种数据驱动方法，首次直接从实验激发态数据中学习有机自由基的激发电子态，所用数据量远小于机器学习通常所需。我们采用ExROPPP（一种用于计算自由基激发态的快速且自旋纯净的半经验方法）作为替代物理模型，并学习其最优参数集。为此，我们编制了已知最大的有机自由基几何构型和紫外-可见（UV-vis）数据数据库，用于训练我们的模型。我们训练的模型对激发态能量的均方根误差和平均绝对误差分别为0.24和0.16 eV，显著优于文献参数的ExROPPP。合成了四种新型有机自由基，并在其光谱上测试了模型，发现误差更低且与训练集的相似相关性。这为下一代自由基基光电子学的高通量发现铺平了道路。
Keyword:
organic radicals
excited states
machine learning
OLEDs
quantum computing
期刊
IF:
7.4
论文数:
1.7W
被引数:
9.3W
机构
暂无机构信息
引用论文
.png){kind=icon}
Symmetry Classification of the Energy Levels of Some Triarylmethyl Free Radicals and Their Cations
PREAI
分享收藏Recent developments in the general atomic and molecular electronic structure system一般原子和分子电子结构系统的最新进展
OAAI
OAAI分享收藏
查看更多内容