机构名称：
¥ 1.0
摘要 近年来，我们看到了基于热激活延迟荧光 (TADF) 的 OLED 在合成和传感与成像应用方面的巨大增长。然而，器件级应用仍然局限于外部量子效率 (EQE) 的不可预测性。虽然涉及 TADF 系统中内部量子效率 (IQE) 和逆系统间窜越 (rISC) 机制途径的理论研究已经得到了相当严格的探索，但对 EQE 的研究仍然缺乏。随着数据驱动分析成为科学的第四种范式（前三种是经验、理论和计算），我们对从文献中获取的 123 个样本的 30 个特征采用了 ML 模型来预测 EQE 最大值。一方面，所使用的模型捕获了器件选择性，但在发色团的发射范围内普遍存在。我们已经证明，梯度提升 (GB) 是一种集成学习模型，能够预测 EQE 最大值，训练/测试集的 r 2 得分为 0.71 ± 0.04/0.84，RMSE 低至 4.22 ± 0.55/2.53。考虑到目前最先进的技术 (SOTA)，这是可以预测任何发射范围的 TADF 发色团并描述设备架构影响的最佳模型。我们还进行了特征重要性分析，使这个所谓的黑盒模型可解释。这种分析有助于找出提高 EQE 效率的基本参数。即使学习曲线仍在上升，也证明如果将来提供更多的训练示例，该模型可以改善其预测。所有计算都可以使用易于访问的云计算完成。关键词：机器学习、TADF、OLED、EQE、集成学习
改进的基于 tadf 的最大 eqe 预测...
主要关键词
相关文件推荐
