类型a：

韩国高丽大学化学系的Minseok Jeong、Joonyoung F. Joung、Jinhyo Hwang等研究人员在《npj Computational Materials》期刊（2022年第8卷）发表了一项关于深度学习在有机光电器件开发中的应用研究。该研究开发了一个能够高效预测有机分子最高占据分子轨道（Highest Occupied Molecular Orbital, HOMO）和最低未占据分子轨道（Lowest Unoccupied Molecular Orbital, LUMO）能量的深度学习模型，并成功将其应用于深蓝色荧光有机发光二极管（OLED）的主客体材料虚拟筛选。

学术背景： 该研究属于计算材料学与有机光电领域的交叉方向。HOMO和LUMO能级是决定有机光电材料性能的关键电子特性，传统上通过密度泛函理论（DFT）计算预测，但存在计算成本高、与实验值偏差大（平均误差0.77eV）等问题。虽然已有基于DFT计算数据库的深度学习模型，但这些数据库存在三个主要缺陷：（1）仅包含小分子（如QM9数据库分子量≤152 g/mol）；（2）计算结果与实验值存在系统误差；（3）缺乏分子-环境相互作用数据。针对这些问题，研究者建立了包含3026个有机分子在溶液/固态环境下实验测定的HOMO/LUMO能级数据库（共3362组数据），开发了名为”DeepHL”的深度学习方法。

研究流程： 1. 实验数据库构建： - 从860篇文献中收集3026个有机分子在溶剂或固体中的HOMO/LUMO实验数据 - 包含二氯甲烷（最常用溶剂，1704组）、乙腈等12种溶剂环境数据 - 分子量分布(58-2000 g/mol)显著宽于QM9数据库（≤152 g/mol） - 通过交叉验证确定实验误差：HOMO为0.089 eV，LUMO为0.112 eV

1. 深度学习模型开发：

• 采用图卷积网络（GCN）架构，最大支持150个非氢原子的分子图
• 创新性地融合了溶剂环境作为输入特征
• 采用迁移学习（transfer learning）策略，基于已开发的DLOS光学性质预测模型进行参数初始化
• 数据集划分：2688训练集/336验证集/338测试集
• 开发了基于Murcko骨架的数据分割方法避免数据泄露

1. 模型验证：

• 在测试集上达到HOMO预测MAE 0.148 eV，LUMO 0.163 eV
• 对比实验：DFT计算（B3LYP/6-31G(d)）误差达0.425 eV（HOMO）和0.839 eV（LUMO）
• 计算效率：0.82秒完成338个分子的预测

1. 分子设计应用：

• 设计并虚拟筛选了18个深蓝光OLED材料（8个主体/10个发光体）
• 最终选定TDBA-PyCz（发光体）和DPAC-Cz（主体）进行合成验证
• 预测值与实验测定结果高度吻合（HOMO误差<0.1 eV）

主要结果： 1. 模型性能： - 全数据集预测MAE：HOMO 0.050 eV，LUMO 0.065 eV - 能准确识别供体-受体结构、取代基、杂原子等对轨道能级的影响规律 - 对A-D-A型分子（如ITIC）的LUMO能级预测误差仅0.04 eV

1. 材料筛选成果：

• 预测DPAC-Cz主体材料HOMO/LUMO为-5.59/-2.37 eV
• 预测TDBA-PyCz发光体HOMO/LUMO为-5.84/-2.93 eV
• 器件实测发射峰412 nm（CIE 0.17,0.07），半峰宽仅36 nm
• 溶液加工器件达到6.58%外量子效率（EQE），水平取向因子θ=0.187

结论与价值： 该研究建立了目前最大的有机分子轨道能级实验数据库，开发的DeepHL模型在精度（误差<0.17 eV）和计算效率（比DFT快3个数量级）上均显著优于传统方法。成功应用于OLED材料开发，验证了深度学习辅助材料设计的可行性。其科学价值在于：（1）证明了实验数据库训练的深度学习模型可克服DFT系统误差；（2）首次实现包含环境效应的轨道能级预测；（3）为有机光电材料开发提供了高效虚拟筛选工具。

研究亮点： 1. 创新性地采用实验数据库而非计算数据训练模型 2. 开发了融合溶剂环境特征的分子图表征方法 3. 迁移学习策略使小数据集（n=50）预测误差降低10.8% 4. 实现了从分子设计到器件验证的完整工作流 5. 深蓝光OLED器件性能优于多数文献报道值（EQE 6.58% @ CIEy<0.1）

其他价值： 研究团队已公开数据库和预测工具（http://deep4chem.korea.ac.kr），为后续研究提供基础平台。该方法可拓展应用于有机光伏、晶体管等其他光电器件材料开发。通过分析模型注意力机制，还可逆向指导分子设计策略，如发现三嗪(trz)受体单元可使LUMO能级稳定在-3.5±0.2 eV区间。