Justin M. Hodgkiss 3,4 , Daniel M. Packwood 1,2* 1 京都大学综合细胞材料科学研究所（iCeMS），日本京都 2 综合数据材料科学中心（iDM），麦克迪亚米德先进材料与纳米技术研究所，新西兰惠灵顿 3 麦克迪亚米德先进材料与纳米技术研究所，新西兰惠灵顿 4 惠灵顿维多利亚大学化学与物理科学学院，新西兰惠灵顿 5 大赛璐企业研究中心，创新园区（iPark），大赛璐株式会社，日本姬路 * 通讯作者。电子邮件：dpackwood@icems.kyoto-u.ac.jp 摘要 非晶态有机材料中激子和电荷跳跃的模拟涉及许多物理参数。在开始模拟之前，必须通过昂贵的从头计算来计算出每个参数，因此研究激子扩散的计算开销很大，尤其是在大型复杂材料数据集中。虽然之前已经探索过使用机器学习快速预测这些参数的想法，但典型的机器学习模型需要较长的训练时间，这最终会增加模拟开销。在本文中，我们提出了一种新的机器学习架构，用于构建分子间激子耦合参数的预测模型。与普通的高斯过程回归或核岭回归模型相比，我们的架构设计方式可以减少总训练时间。基于此架构，我们建立了一个预测模型并使用它来估计非晶态并五苯中激子跳跃模拟的耦合参数。我们表明，与使用完全从密度泛函理论计算的耦合参数的模拟相比，这种跳跃模拟能够对激子扩散张量元素和其他属性实现出色的预测。因此，这一结果以及我们的架构提供的较短训练时间表明了如何使用机器学习来减少与非晶态有机材料中的激子和电荷扩散模拟相关的高计算开销。