题目:Low-cost machine learning prediction of excited state properties of iridium-centered phosphors
文献来源:Chem. Sci., 2023, 14, 1419
代码:The ANN models associated with this work aredeposited on Zenodo and have the following permanent DOI:https://doi.org/10.5281/zenodo.7090416.
简介:从精度和计算成本的角度出发,预测光活性铱配合物的激发态特性对时变密度泛函理论(TDDFT)等从头计算方法提出了挑战,使高通量虚拟筛选(HTVS)变得复杂化。相反,作者利用低成本的机器学习(ML)模型和1380个铱星复合物的实验数据来执行这些预测任务。作者发现性能最好和最可转移的模型是那些从低成本密度泛函紧密结合计算中训练出来的电子结构特征的模型。利用人工神经网络(ANN)模型,作者预测了铱配合物的平均荧光发射能量、激发态寿命和发射光谱积分,其精度可与TDDFT竞争或取代。他们进行了特征重要性分析,以确定高环金属化配体电离电位与高平均发射能量相关,而高辅助配体电离电位与低寿命和低光谱积分相关。作为演示ML模型可以用于HTVS和化学物质的加速发现,作者构建了一组的假想铱复合物和使用不确定性控制预测配体识别前途新荧光粉的设计同时保持信心的质量神经网络的预测。
主要内容:
-------------------------------------------
欢迎点赞收藏转发!文章来源:https://www.toymoban.com/news/detail-406354.html
下次见!文章来源地址https://www.toymoban.com/news/detail-406354.html
到了这里,关于学术速运|铱中心磷粉体激发态性质的低成本机器学习预测的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!