申请/专利权人：黑龙江大学

申请日：2024-01-18

公开（公告）日：2024-06-25

公开（公告）号：CN118248254A

主分类号：G16C60/00

分类号：G16C60/00;G16C20/70;G06F18/2431;G06F18/213;G06F18/23;G06F18/2415;G06N20/00

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：机器学习辅助高通量筛选二维OLED阳极候选材料的方法，属于机器学习领域。本发明的目的是为了解决现有的筛选方式计算量大，训练模型准确性差的问题。对初始数据集进行处理，得到最优数据集，用最优数据集训练多个预测模型，选取性能最优预测模型，从2D纳米材料数据库中提取所需性能的2D纳米材料，依次输入至性能最优的预测模型中，输出对应的功函值；从得到的所有功函值中选取大于预设功函值的2D纳米材料，根据选取出的2D纳米材料的剥离能，选取所需数量的2D纳米材料作为OLED阳极候选材料；计算得到的每种OLED阳极候选材料的透射率，选出透射率大于预设透射率的OLED阳极候选材料作为最终选取的OLED阳极候选材料。本发明用于筛选二维OLED阳极候选材料。

主权项：1.机器学习辅助高通量筛选二维OLED阳极候选材料的方法，其特征在于，所述方法包括以下内容：步骤1、从C2DB数据库中采集m种2D纳米材料和对应的m个功函值形成初始数据集，其中，初始特征集中m种2D纳米材料所包括的特征种类相同，均包含n种特征，m和n均为大于0的正整数；初始数据集中每种2D纳米材料的n种特征及该种2D纳米材料的功函值形成一个样本，各样本中2D纳米材料的n种特征作为模型输入数据，该种2D纳米材料的功函值作为模型输出数据；将初始数据集分成训练集和测试集；步骤2、训练模型：利用训练集对多种预测模型进行训练，得到各个训练完成的预测模型；模型筛选：利用测试集对所有训练完成的预测模型进行筛选，得到多个性能较优预测模型；步骤3、对n种特征进行筛选更新初始数据集：根据每两种特征的相关系数和特征重要性排序对初始数据集进行特征筛选，实现对初始数据集的更新；步骤4、利用更新后的初始数据集对多个性能较优预测模型进行训练，并从优化调参后的多个的性能较优预测模型中筛选出性能最优预测模型；步骤5、从2D纳米材料数据库中提取所需性能的2D纳米材料，将每种2D纳米材料的相关特征值输入至性能最优的预测模型中，预测出对应的功函值；其中，每种2D纳米材料的相关特征的类型与更新后的初始数据集中特征类别相同；步骤6、从步骤5预测出的功函值中筛选出大于预设功函值的2D纳米材料，再从剥离能数据库中获得筛选出的2D纳米材料的剥离能，将剥离能由小到大排序，选取前预设数量的2D纳米材料，作为OLED阳极候选材料；步骤7、计算步骤6得到的每种OLED阳极候选材料的透射率，选出透射率大于预设透射率的OLED阳极候选材料作为最终选取的OLED阳极候选材料。

全文数据：

权利要求：

百度查询： 黑龙江大学 机器学习辅助高通量筛选二维OLED阳极候选材料的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD