近幾年，金屬鹵化物鈣鈦礦材料因其具有可溶液法大面積制備、帶隙可調、熒光量子效率高等優(yōu)點，被認為是最有前途的半導體材料之一，在發(fā)光二極管(LED)、太陽能電池和激光器等領域有著廣泛的應用前景。高質量的鈣鈦礦薄膜是實現(xiàn)高性能鈣鈦礦光電器件的關鍵，引入添加劑至鈣鈦礦前驅體溶液中，調控鈣鈦礦結晶、鈍化鈣鈦礦缺陷，已被證實是提升鈣鈦礦薄膜質量的有效策略。然而目前添加劑分子的設計原則仍不清晰，添加劑的篩選主要依賴于繁瑣的器件制備。
機器學習是人工智能（AI）的一個重要分支，主要利用數(shù)據或以往經驗來優(yōu)化算法，從而獲得新的知識或技能。數(shù)據庫的數(shù)量與質量在機器學習中尤為關鍵。傳統(tǒng)的算法主要基于數(shù)以萬計的數(shù)據量開發(fā)，無法在小樣本取得良好的結果。然而數(shù)據收集成本昂貴，甚至面臨無法采集的弊端。以鈣鈦礦LED為例，從2014年發(fā)展至今，數(shù)據樣本仍較小且在短時間內無法顯著提升。 南京工業(yè)大學黃維、王建浦、朱琳團隊發(fā)展了一種深度學習算法(Enhanced Molecular Information Model, EMIM)，可實現(xiàn)多分子指紋、定量描述符的同時輸入，這意味著分子的結構信息及理化屬性均可被算法所獲取，極大了豐富了數(shù)據的信息維度。在有限的數(shù)據樣本下，盡可能地擴充數(shù)據的信息，提升數(shù)據的質量，實現(xiàn)了小樣本的高精度預測。 團隊聯(lián)合瑞典林雪平大學高峰課題組共同構建了132個鈣鈦礦LED的添加劑分子數(shù)據庫，再將其與EMIM巧妙地結合，實現(xiàn)了對添加劑分子的預測精度達96%。為了進一步驗證EMIM的可靠性，篩選了12個未包含數(shù)據庫的添加劑，通過對比EMIM預測結果與器件實驗結果，發(fā)現(xiàn)EMIM的預測精度達到92%，并實現(xiàn)了外量子效率達到22.7%的高性能近紅外鈣鈦礦LED。 該工作不僅提供了添加劑篩選的新思路，對實現(xiàn)高性能鈣鈦礦光電器件具有重要意義；更為關鍵的是，為小樣本的精確預測提供了可行性方案。 論文信息 Deep Learning for Additive Screening in Perovskite Light-Emitting Diodes Liang Zhang,Na Li,Dawei Liu,Guanhong Tao,Weidong Xu,Mengmeng Li,Ying Chu,Chensi Cao,Feiyue Lu,Chenjie Hao,Ju Zhang,Yu Cao,Prof. Feng Gao,Nana Wang,Lin Zhu,Prof. Wei Huang,Prof. Jianpu Wang Angewandte Chemie International Edition DOI: 10.1002/anie.202209337
