近年来，有机电致发光材料的研究主要集中在分子内电荷转移型热活化延迟荧光（TADF）材料发光效率方面的提升。然而，这类材料的半峰宽（FWHM）通常高达70–100 nm，普遍存在色纯度较低的问题，难以满足国际电信联盟对超高清显示技术的要求。而多重共振型热活化延迟荧光材料（MR-TADF）的提出解决了传统TADF材料色纯度低的难题。尽管MR-TADF材料在发光性能上表现出显著优势，其开发过程仍面临实验步骤繁琐，周期长且成本高的问题，这使得完全依靠人力在有限时间内取得突破极具挑战。随着实验研究和材料理论的不断进步，大数据与人工智能的结合被认为是显著降低试错成本、加速材料筛选与优化过程的新兴研究范式，已成为推动材料研究与实际应用的重要方向。

        针对上述问题，吉林大学的邹陆一课题组提出了一种基于图卷积神经网络的深度学习方法，构建了一个名为SOGCN（Screening for OLED materials by Graph Convolutional Neural Networks）的模型，用于快速预测MR-TADF分子的两个关键性质：单三态能隙差（ΔEST）和半峰宽（FWHM）。ΔEST的降低有助于提高发光效率，而FWHM的减小有利于提升材料的色纯度。通过SOGCN模型，可以快速评估材料是否具有MR-TADF的潜力，并精准预测其ΔEST和FWHM，从而显著加速MR-TADF材料的开发。

        研究团队基于实验中报道的220个MR-TADF分子，建立了一个名为MR220的数据集，用于模型训练和验证。为确保SOGCN模型在预测新样本性质时的可靠性，研究者还制定了一套严格的理论计算评价标准，以提供准确的参考数据。在对37个未包含在数据集中的MR-TADF分子的性质进行预测时，SOGCN模型在ΔEST和FWHM预测中的平均绝对误差分别低至0.037 eV和10 nm，显示出较高的预测精度。基于SOGCN模型的预测，研究者设计并成功合成了一种新型MR-TADF分子Design3 (DtCzB-Boz)，实验结果表明，DtCzB-Boz是ΔEST仅为0.100 eV，FWHM为27 nm，发射峰位于508 nm的绿光材料。这些实验结果与SOGCN的预测值（0.114 eV和28nm）高度一致。这不仅验证了SOGCN模型在MR-TADF材料性能预测中的高效性与准确性，还凸显了其在加速新材料开发方面的潜力。相关成果已发表在《Chemical Engineering Journal》（Chem. Eng. J. 501, 157676, 2024）。                                 

使用37个MR-TDAF新分子作为样本，测试SOGCN预测性能

ΔEST：SOGCN模型的预测值与文献中的理论计算值及实验值进行对比

SOGCN构建了MR-TADF分子结构和性质之间的高速通道

论文信息：Yingfu Li,† Bohua Zhang,† Ai-Min Ren, Dongdong Wang, Jun Zhang,* Changming Nie,* Zhongmin Su, and Luyi Zou*, SOGCN: Prediction of key properties of MR-TADF materials using graph convolutional neural networks, Chemical Engineering Journal, 2024, 501, 157676.

全文链接：https://doi.org/10.1016/j.cej.2024.157676