机器学习辅助的高通量半经验搜索 OFET 分子材料
材料科学
2021-07-07 v1
摘要
机器学习已在化学信息学中得到广泛验证与应用，并在发光、磁性及电极材料的预测、改性与优化方面取得了出色成果。在此，我们提出一种深度优先搜索遍历（DFST）方法，结合 lightGBM 机器学习模型，来搜索经典的有机场效应晶体管（OFET）功能分子化学空间，该方法简单而有效。成功生成了两类特定骨架内共计 2820588 个结构各异的分子，展示了 DFST 策略的搜索效率。利用简化的分子输入行输入系统（SMILES），直接描述分子的字母数字字符串生成解决了逆向设计问题，因为生成集具有 100% 的化学有效性。轻量梯度提升机（LightGBM）模型固有的分布式与高效特性使得训练过程更快、训练效率更高，意味着以更少数据量获得更优模型性能。最终从 280 万分子中筛选出 184 个，并进行了密度泛函理论（DFT）计算以验证预测准确性。
引用
@article{arxiv.2107.02613,
title = {Machine Learning-Assisted High-Throughput Semi-empirical Search of OFET Molecular Materials},
author = {Zhenyu Chen and Jiahao Li and Yuzhi Xu},
journal= {arXiv preprint arXiv:2107.02613},
year = {2021}
}
备注
Machine Learning, Materials, Organic field-effect transistors