机器学习决定磷光体激发带位置

创建优异的稀土掺杂无机磷光体是推动节能LED照明和背光平板显示器的关键。这些发光材料最基本的性能要求是有效吸收/激发来自蓝光InGaN LED的能量，以实现白光转换。$5d_1$激发态能级决定了磷光体的激发峰位置，其值受到无机基体结构（包括局部环境、晶体结构和组成）的影响，使得预测其位置具有挑战性。本研究引入了一种新的极端梯度提升机器学习方法，定量确定磷光体最长（最低能量）激发波长。我们专注于Ce$^{3+}$ $4f$ $\rightarrow$ $5d$跃迁，因为其在激发光谱和漫反射光谱中观察到清晰的$5d_1$能级。该模型在357个Ce$^{3+}$掺杂位的实验数据（来自文献和本实验室测量）上进行训练，并最终通过合成一种新型蓝光激发、绿光发射的磷光体：Ca$_2$SrSc$_6$O$_{12}$:Ce$^{3+}$进行实验验证。该化合物在商业蓝光LED波长下的激发，与模型预测结果吻合得非常好。这些结果凸显了数据驱动方法在加速发现用于下一代LED照明的蓝光吸收磷光体方面的变革性潜力。