InSpecLearn4SDL：可解释光谱特征预测自驾掺杂共轭聚合物导电性
材料科学
2026-01-27 v2 软凝聚态物质
机器学习
摘要
为加速使用自驾实验室(SDLs)的材料发现，我们提出了一种机器学习管线，用于基于快速、非破坏性光谱学方法预测掺杂共轭聚合物的电导率。我们的ethods自动化了光谱特征提取，通过结合遗传算法和自适应曲下积计算，创建将光学响应与工艺参数关联到导电性的定量结构-性质关系(QSPR)。通过采用基于SHAP引导的选择和基于领域知识的特征扩展，该模型在匹配专家精选性能的同时，理论上通过最小化对高导电性测量需求来减少约33%的实验工作。值得注意的是，该模型在pBTTT中恢复了已知的物理描述符，并识别了与成功掺杂后聚合物褪色相关的信息尾态区域。这种通用、可解释、适用于小数据集的方法可以扩展到其他光谱模态，如拉曼或FTIR，为SDLs中的自主决策提供框架。
引用
@article{arxiv.2509.21330,
title = {InSpecLearn4SDL: Interpretable Spectral Features Predict Conductivity in Self-Driving Doped Conjugated Polymer Labs},
author = {Ankush Kumar Mishra and Jacob P. Mauthe and Nicholas Luke and Aram Amassian and Baskar Ganapathysubramanian},
journal= {arXiv preprint arXiv:2509.21330},
year = {2026}
}
备注
37 Pages, 20 Figures