[发明专利]磷光材料的发光波长预测方法及系统

说明书

本发明提供磷光材料的发光波长预测方法及系统，属于发光材料的性能预测技术领域，获取待检测磷光材料的分子特征；利用预先训练好的波长预测模型对获取的待检测磷光材料的分子特征进行处理，得到待检测磷光材料的发光波长；其中，预先训练好的波长预测模型通过训练集训练得到，训练集包括多个磷光材料的分子特征以及标注不同的分子特征对应的发光波长的标签。本发明提取了数据集中磷光发光材料的相关特征，筛选关键特征作为输入、发光波长作为输出，采用机器学习模型进行训练；对算法模型进行评估和优化，筛选优化后的模型；采用优化后的模型对磷光材料的发光波长进行预测；准确预测了以磷光材料材料的发光波长，实现了高通量磷光材料材料筛选。

技术领域

本发明涉及发光材料的性能预测技术领域，具体涉及一种磷光材料的发光波长预测方法及系统。

背景技术

磷光材料作为一种高效发光材料，其发光波长是决定其应用的一个重要的特征。为了设计一种具有特定发光波长的磷光材料，现有常规的方法是使用量化计算方法(如密度泛函理论(DFT)计算)，计算出相应的发光波长，有助于研究人员在实验前对材料进行筛选；然而，量化计算非常耗时，而且与实验的误差比较大，不利于高通量磷光材料筛选和指导实验优化。

发明内容

本发明的目的在于提供一种能够有效的在误差范围内预测磷光材料的发光波长，实现发光波长准确预测以及磷光材料高通量筛选的磷光材料的发光波长预测方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种磷光材料的发光波长预测方法，包括：

获取待检测磷光材料的分子特征；

利用预先训练好的波长预测模型对获取的待检测磷光材料的分子特征进行处理，得到待检测磷光材料的发光波长；其中，所述预先训练好的波长预测模型通过训练集训练得到，所述训练集包括多个磷光材料的分子特征以及标注不同的分子特征对应的发光波长的标签。

优选的，分子特征包括化学信息学、电拓扑态特征、分子指纹。

优选的，提取文献报道/实验报告中的磷光材料，采用分子编辑软件或网页得到修饰材料的SMILES编码；基于磷光材料的SMILES编码进行特征提取，采用相关性分析、主成分分析或重要性分析筛选关键特征，得到重要特征数据集。

优选的，建立不同的机器学习算法模型，利用所述重要特征数据集对不同的机器学习算法模型进行训练和测试，评估各个机器学习算法模型性能，选择优化的机器学习算法模型。

优选的，将所述重要特征数据集分为训练集和测试集，利用所述训练集和测试集对不同的机器学习算法模型进行训练和测试，利用均方根误差RMSE和Pearson相关系数r，Person决定系数r²评估各个机器学习算法模型的性能，筛选在测试集上执行最低RMSE和最高r、r²值的机器学习算法模型，作为优化的机器学习算法模型，即波长预测模型。

优选的，所述机器学习算法模型包括Lasso线性回归算法、前向神经网络回归算法、随机森林回归算法或XGBoost回归算法。

第二方面，本发明提供一种磷光材料的发光波长预测系统，包括：

获取模块，用于获取待检测磷光材料的分子特征；

预测模块，用于利用预先训练好的波长预测模型对获取的待检测磷光材料的分子特征进行处理，得到待检测磷光材料的发光波长；其中，所述预先训练好的波长预测模型通过训练集训练得到，所述训练集包括多个磷光材料的分子特征以及标注不同的分子特征对应的发光波长的标签。

第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的磷光材料的发光波长预测方法。