机器学习引导的有机半导体发现：结构-活性景观与合成可行性研究

《Journal of Photochemistry and Photobiology A: Chemistry》：Structure-activity landscapes and synthetic accessibility in machine learning-guided organic semiconductor discovery

本文提出了一种基于机器学习（ML）的有机半导体筛选框架，通过快速学习算法预测光吸收性能（如λmax），结合结构-活性景观指数（SALI）和合成可行性评分（SAS），高效发掘具有红移吸收特性的可合成聚合物，为有机光探测器（OPD）和柔性光电器件开发提供了新范式。

　　

亮点

分子描述符

分子描述符可通过多种算法快速计算。相比之下，量子化学描述符需要大量的计算资源和时间。分子描述符有助于分子库中的相似性分析，使得基于这些描述符值筛选具有相似化学和物理性质的化合物成为可能。机器学习（ML）模型将分子描述符作为自变量，这是一个优势，因为化学结构可以轻松转换为描述符，而描述符又可以作为机器学习模型的输入。

结论

总之，在广阔的化学空间中发现高效的有机半导体需要进行广泛的研究。本文提出了一种新的筛选和性能预测框架，该框架使用快速机器学习模型来预测光吸收行为。生成了一个新型聚合物库，在尝试多种模型后，通过机器学习技术预测了它们的性能。使用t-分布随机邻域嵌入（t-SNE）进行库可视化，筛选重点集中在具有红移吸收的聚合物上。对选定的有机半导体应用了结构-活性景观指数（SALI）和聚类分析。此外，还通过合成可行性评分（SAS）评估了所提出候选物的合成可行性，结果表明大多数选定的聚合物可能易于合成。