使用图神经网络筛选有机单瓣激发分子
材料科学
2026-01-07 v1
摘要
单瓣分裂 (SF) 提供了一种超越 Shockley-Queisser 限制的光伏策略。然而，高效 SF 材料的识别受限于合适分子候选者的稀缺性以及传统量子化学方法处理激发态的高计算成本。本研究引入了一个高通量筛选框架，将图神经网络 (GNN) 与多层次验证集成，以加速发现具有 SF 活性的分子。基于先前报告的 FORMED 数据库训练的 GNN 在预测 SF相关激发态属性方面实现了最先进的准确度，S1、T1 和 T2 激发能的平均绝对误差约为 0.1 eV。这一能力促进了来自 OE62 和 QO2Mol 数据库超过 200 万种分子结构的高效筛选。我们的框架将 Time-Dependent Density Functional Theory 验证的计算需求降低了四个数量级，并识别了 180 个潜在 SF 分子以及超过 1000 个构象。后续评估包括合成可行性、GW 近似和 Bethe-Salpeter 方程计算，进一步突出了这些 SF 候选者中一小部分可实验实现的候选者。本文所述方法体现了一种有效策略，用于加速发现具有光电子学应用的功能分子。
关键词
引用
@article{arxiv.2601.02661,
title = {Efficient Screening of Organic Singlet Fission Molecules Using Graph Neural Networks},
author = {Li Fu and Longfei Lv and Fan Zhang and Si Zhou and Weiwei Gao and Jijun Zhao},
journal= {arXiv preprint arXiv:2601.02661},
year = {2026}
}
备注
6 figures