利用基态轨道描述符加速开发有机室温磷光材料

本文转自x-mol
有机室温磷光（RTP）材料在光电子学和生物电子学领域备受关注。然而，研发这类材料往往依赖于实验经验和昂贵的激发态计算，发展筛选有机RTP材料的高效工具是该领域面临的挑战之一。针对这一问题，南京工业大学的安众福教授、马会利教授团队构建了兼具高筛选效率和精度的基态轨道描述符，结合机器学习与高通量虚拟筛选，预测了几百个长寿命的有机RTP分子，并得到了实验证实。
目前，主要存在两种预测磷光寿命的思路:（1）利用机器学习模型，关联结构分子描述符与磷光寿命，这一方法计算花费小，但关联度有待改善，且难以保证因果关系（流程Ⅲ，见图1）；（2）作者前期工作证实T1态的 (π, π*) 占比与磷光寿命存在线性关系（J. Am. Chem. Soc. 2019, 141, 1010; Acc. Chem. Res. 2021, 54, 940），但这一描述符需要昂贵的激发态计算，难以用于高通量筛选（流程Ⅰ）。鉴于激发态由与轨道跃迁组成的，因此可以将前线轨道的π电子占比作为描述符，利用机器学习模型构建其与磷光寿命的关系（流程II）。

图1. 构建描述符-磷光寿命关系的三种思路。图片来源：Angew. Chem. Int. Ed.
随后，基于磷光分子数据库，利用机器学习进行训练评估，发现随机森林模型表现最佳，达到0.783的平均准确率。特征重要性分析发现，相比传统的结构描述符，基态轨道描述符与磷光寿命的关系更为显著（图2）。

图2. 机器学习分类性能 (a, b) 及特征重要性分析 (c)。图片来源：Angew. Chem. Int. Ed.
接着构建了包含19295个的虚拟分子库，利用上述机器学习模型，筛选出836个长寿命候选分子（图3）。结合自旋轨道耦合计算，进一步获得287个兼具长寿命和高效率的磷光候选分子。

图3. 高通量虚拟筛选的流程。图片来源：Angew. Chem. Int. Ed.
最后，随机选取了两个分子PXO与PIO进行实验验证（图4），其在PMMA薄膜中具有长寿命的高效RTP（PXO：寿命329.42 ms，效率25.1%；PIO：寿命250.50 ms，效率18.6%）。简言之，基于基态轨道描述符，作者构建了面向有机RTP材料的高通量虚拟筛选流程。这一流程的筛选效率远远高于激发态描述符，且兼具激发态描述符的筛选精度。

图4. PXO与PIO掺杂于PMMA薄膜中的光物理性质。图片来源：Angew. Chem. Int. Ed.
研究成果发表在Angewandte Chemie International Edition 上，文章的第一作者是南京工业大学的博士研究生毛羽丰和姚肖康博士。