机构名称：
¥ 1.0
计算框架和理论建模的最新进展已显着改善了对高运动材料的搜索。高吞吐量虚拟筛选（HTVS），该过程使用理论技术分析了大型分子库，并将其范围缩小到一小部分有希望的候选者进行实验验证，现在可以评估广泛的化学库的评估。20–25这种方法提高了识别新型高动力半导体的概率，并提供了对电荷运输的基本物理学的见解。26–29此外，HTVS的一个显着副作用是生成广泛的数据库，该数据库包含这些分子的计算物理特性，这些数据库促进了机器学习（ML）技术的应用（ML）技术，以预测和优化新分子系统的正常功能。30,31作为HTVS研究的例子，Schober等。29设计了一种筛选方法，通过分析来自大分子晶体数据库的电子耦合和重组能来鉴定具有高载体迁移率的有机半导体。他们的方法发现了已知和新颖的有前途的材料。在另一项研究中，Nematiaram等。27利用瞬态定位理论32,33筛选剑桥结构数据库（CSD）34识别几种高动力材料并对影响移动性的关键参数进行排名。值得注意的是，他们强调了电荷转运两维的重要性（2D），也称为带动型，其中电荷转运主要发生在二维平面内。将ML模型与HTV集成虽然早期的研究表明各向同性带对电荷运输的潜在影响，但13,18,32,35参考。27是第一个通过对现有结构进行的大规模计算在统计上验证这一观察结果的人。尽管在HTVS方法方面取得了重大进步，但对于大量结构而言，物理属性（例如2D）的计算仍然是一项计算要求的任务。此限制在化学空间的有效探索中提出了一个主要的瓶颈，尤其是随着可用化学数据库的多样性和复杂性继续扩展。因此，迫切需要开发更多有效的算法和方法，这些算法和方法可以加速这些构成过程。
加速发现高弹性分子半导体：机器学习方法
主要关键词
相关文件推荐
