用于有机半导体光电性质的深度学习
化学物理
2021-05-10 v1 材料科学
计算物理
摘要
对有机半导体（OSCs）中能量无序的原子尺度建模及其对 OSCs 光电性质的影响，需要大量激发态电子结构计算，这对许多 OSC 应用而言是计算上令人生畏的任务。本工作中，我们主张使用深度学习应对此挑战，并证明最先进的深度神经网络（DNNs）能够以与用于生成训练数据的量子化学方法相当的准确性预测 OSCs 的电子性质。我们广泛研究了四种近期 DNNs（deep tensor neural network、SchNet、message passing neural network 与 multilevel graph convolutional neural network）在预测一类重要 OSCs 即低聚噻吩（OTs）的多种电子性质上的表现，包括其 HOMO 与 LUMO 能量、激发态能量及相关的跃迁偶极矩。我们发现 SchNet 对不同尺寸 OTs（从联二噻吩到联六噻吩）均表现最佳，与（含时）密度泛函理论结果相比平均预测误差在 20-80meV 范围内。我们显示 SchNet 也一致优于浅层前馈神经网络，尤其在分子大或训练数据有限等困难情况下。我们进一步显示 SchNet 可准确预测跃迁偶极矩，此任务此前已知对前馈神经网络困难，并将某些 OT 构型中跃迁偶极预测的相对较大误差归因于其激发态的电荷转移特征。最后，我们通过建模 OTs 在二氯甲烷中的 UV-Vis 吸收光谱证明了 SchNet 的有效性，计算与实验光谱间观察到良好一致。
引用
@article{arxiv.1910.13551,
title = {Deep Learning for Optoelectronic Properties of Organic Semiconductors},
author = {Chengqiang Lu and Qi Liu and Qiming Sun and Chang-Yu Hsieh and Shengyu Zhang and Liang Shi and Chee-Kong Lee},
journal= {arXiv preprint arXiv:1910.13551},
year = {2021}
}
备注
comments are welcome