ACS编辑良择 | 人工智能开启下一代发光材料研究新机遇

每天，ACS遍布全球的期刊编辑们从ACS的众多期刊中选出一篇新近发表的文章，永久免费开放给所有读者。这些被特别选出的文章所探讨的最新研究成果将因其免费开放而使更广大的科研受众获益。

英文原题：Opportunities for Next-Generation Luminescent Materials through Artificial Intelligence

通讯作者：Ya Zhuo (卓雅), Jakoah Brgoch 休斯顿大学

作者：Ya Zhuo (卓雅)，Jakoah Brgoch

发光材料的发现可追溯至400多年前，以硫酸钡为原料采用碳热还原法制备硫化钡，生成物经太阳光照射后呈现红色发光。尽管在当时发光的机制并不为人所知，但这一发现促使了今后人们对发光材料的不断探索。现今，发光材料被广泛应用在基于固态发光二极管的照明和显示器件上。这些发光材料必须具备某些特定条件以满足使用需求，比如具有较宽的激发峰，较大的量子效率，同时还需具备较高的化学以及热稳定性。发光材料的传统研究多年来倚靠反复试验，不仅耗时长，而且多数效果不理想，不具备应用在实体设备上的条件。而今随着数据驱动方法(包含机器学习和人工智能)的不断深入研究，其被逐渐应用于材料领域。基于此方法可显著加速对新型发光材料的探索以及对现有材料的改进。

数据驱动方法致力于从已知材料中寻找出隐含于数据间的关联，而后用于对未知材料的预测，一般遵从以下几个步骤：1. 对现有数据进行收集，包含已知的材料以及目标特性。2. 生成描述子(descriptors)用于描述材料的结构信息，物质构成等。3. 在目标特性与描述子之间构建数据关系。4. 利用搭建的关系对未知材料进行预测。5. 实验合成与表征预测性能优秀的材料。

利用数据驱动方法，多项研究已取得进展，例如将Eu²⁺的4f最高两轨道的能量差作为描述子预测出了多种窄带红色发光的氮化物荧光粉，又如利用晶体结构以及光学特性之间的关系预测发射峰波长。同时，数据驱动方法还可与高通量DFT计算联用，用以发现全光谱荧光粉。近些年，基于算法的机器学习模型也被逐步应用于发光材料的研究中，比如预测荧光粉的热猝灭性质，预测Ce³⁺的5d轨道中心位移。但是机器学习模型并不适用于某些光学性能的预测，比如量子效率受诸多不确定性因素影响，导致直接预测量子效率受阻。然而材料的徳拜温度与量子效率呈现正相关性，所以可以用机器学习模型预测徳拜温度，进而预估量子效率。同时还可将众多化合物的预测徳拜温度与能隙联系从而筛选出具有潜力的发光材料，如图1所示。

图1 利用徳拜温度与能隙筛选高量子效率荧光粉

改变发光材料的合成条件以及增加后期处理可以有效提升发光性能，数据驱动方法可将这些因素整合，并与发光特性建立联系以优化发光性能，比如搭建人工神经网络自动化反应釜以有效控制反应物浓度和反应温度等，从而控制发光量子点的发射波长以及半峰宽等，如图2所示。另外，在发光理论探索方面，数据驱动方法以及机器学习亦有所贡献。

图2 人工神经网络自动化反应釜控制反应进程

然而以上大部分的研究仅限于预测某一单一发光特性，光谱中所蕴含的完整信息并未得到全部利用，比如峰型。在未来，研究者可引入图形图像识别技术以直接预测光谱。同时，人工智能应用于发光领域的研究目前也受到一些条件的限制。比如系统化的发光材料数据库仍为空白，导致研究者很难在短期内收集到大量一致性较好的数据搭建大的训练集。另外，对于一些本身数据就不多的问题，研究者可采用集成学习(Ensemble learning)或者主动学习(Active learning)方法以达到较好效果。现今在发光领域里用以机器学习的描述子通常为宏观结构以及组分构成，但就发光材料尤其是荧光粉而言，局域结构对于发光特性的影响更为突出。搭建整合的局域结构描述子对于提升预测准确度将有莫大帮助。

本研究的相关结果已发表于Journal of Physical Chemistry Letters，并入选ACS Editors' Choice。本项目得到了美国国家科学基金 (National Science Foundation, DMR 18-47701) 及美国Welch Foundation (E-1981) 等项目的支持。

扫描二维码阅读英文原文，或点此查看原文

J. Phys. Chem. Lett. 2021, 12, 2, 764-772

Publication Date: January 10, 2020

https://doi.org/10.1021/acs.jpclett.0c03203

Copyright © 2021 American Chemical Society