有机半导体光电性质的深度学习研究

摘要： 有机半导体（OSC）光电性质的原子级建模需要进行大量激发态电子结构计算，这对许多OSC应用而言是计算量巨大的挑战。本研究倡导采用深度学习解决该问题，并证明最先进的深度神经网络（DNN）能准确预测一类重要有机半导体——寡聚噻吩（OT）的多种电子性质，包括其HOMO和LUMO能级、激发态能量及相关跃迁偶极矩。在测试的DNN中，SchNet对不同尺寸OT表现出最佳性能，平均预测误差范围为20-80meV。研究表明SchNet始终优于浅层前馈神经网络，尤其在处理大分子或训练数据有限等困难情况时优势明显。我们进一步证实SchNet可准确预测跃迁偶极矩（此任务此前被认为前馈神经网络难以完成），并将部分OT构型跃迁偶极预测的较大误差归因于其激发态的电荷转移特性。最后通过模拟二氯甲烷中OT的紫外-可见吸收光谱验证了SchNet的有效性，计算光谱与实验光谱吻合良好。