基于数据的聚合物单元指纹(PUFp)：一种可用于机器学习的聚合物有机半导体新表征
材料科学
2022-11-04 v1 机器学习
摘要
在寻找高性能有机半导体(OSCs)的过程中，识别对材料性能起关键作用的重要功能单元并进而建立亚结构-性能关系，对材料开发至关重要。本文描述了一种聚合物单元指纹(PUFp)生成框架。利用收集的678条OSC数据，可将PUFp信息作为结构输入，通过机器学习(ML)模型确定结构-迁移率关系。构建了由445个单元组成的聚合物单元库，并识别出影响OSC迁移率的关键聚合物单元。通过研究聚合物单元与迁移率性能的组合，提出了一种结合ML方法与PUFp信息的聚合物OSC材料设计方案，不仅能被动预测OSC迁移率，还能主动为新高迁移率OSC材料设计提供结构指导。所提方案展示了通过预评估与分类ML步骤筛选新材料的能力，是将ML应用于新高迁移率OSC发现的另一种方法论。
引用
@article{arxiv.2211.01583,
title = {Data-based Polymer-Unit Fingerprint (PUFp): A Newly Accessible Expression of Polymer Organic Semiconductors for Machine Learning},
author = {Xinyue Zhang and Genwang Wei and Ye Sheng and Jiong Yang and Caichao Ye and Wenqing Zhang},
journal= {arXiv preprint arXiv:2211.01583},
year = {2022}
}
备注
42 pages, 13 figures