利用机器学习从吸收光谱到 PEDOT 纳米聚集体中的电荷转移
化学物理
2019-09-25 v1 材料科学
摘要
快速且低成本的材料性质表征是发现新型功能材料的关键环节。本工作中，我们提出一种采用三类贝叶斯机器学习（ML）模型的方法，将纳米聚集体的电子吸收光谱与有机导电及半导体材料中分子间电子耦合强度相关联。作为一个具体模型体系，我们考虑 PEDOT:PSS——一种有机电子应用的基石材料，并据此分析紧密堆积的 PEDOT 低聚物带电二聚体间的耦合，这正是该材料无可匹敌导电性的核心。我们证明 ML 算法能够识别耦合强度与电子吸收光谱之间的关联。我们还展示 ML 模型可被训练以在广泛的光谱分辨率范围内迁移，且当 ML 模型用作分类器时，可从模拟光谱以 88% 的准确率预测电子耦合。尽管本研究所用 ML 模型由多尺度计算工作流生成的数据训练，它们仍能有效利用实验数据。
引用
@article{arxiv.1909.10768,
title = {From absorption spectra to charge transfer in PEDOT nanoaggregates with machine learning},
author = {Loïc M. Roch and Semion K. Saikin and Florian Häse and Pascal Friederich and Randall H. Goldsmith and Salvador León and Alán Aspuru-Guzik},
journal= {arXiv preprint arXiv:1909.10768},
year = {2019}
}