面向柔性电子器件的聚合物介电常数与带隙的可解释机器学习预测
发布时间:2026-09-08 | 来源:MDPI Polymers | 作者:Fatih Gül
聚合物电介质是柔性及印刷电子器件的核心,此类材料需兼具足够高的介电常数与宽电子带隙以抑制漏电流。实验或第一性原理筛选速度缓慢,促使数据驱动的替代模型应运而生。本研究开发了一种可解释的机器学习流程,能够直接从单体结构预测聚合物重复单元的总介电常数及HSE带隙,所用数据集为包含284种四嵌段聚合物的开放密度泛函理论数据集。
聚合物电介质是柔性及印刷电子器件的核心,此类材料需兼具足够高的介电常数与宽电子带隙以抑制漏电流。实验或第一性原理筛选速度缓慢,促使数据驱动的替代模型应运而生。本研究开发了一种可解释的机器学习流程,能够直接从单体结构预测聚合物重复单元的总介电常数及HSE带隙,所用数据集为包含284种四嵌段聚合物的开放密度泛函理论数据集。聚合物通过217个RDKit描述符及1024位Morgan指纹进行编码;在嵌套五折交叉验证下对四种回归器进行基准测试,并辅以配对显著性检验。带隙预测达到R²=0.83±0.04(平均绝对误差=0.35 eV),总介电常数预测达到R²=0.64±0.06(平均绝对误差=0.44),但配对检验显示各模型在带隙预测上统计上无显著差异。对介电常数的分解揭示了其较低上限的原因:离子组分仅占总量的15%,却贡献了28%的平方误差,且学习曲线证实此为表征限制而非数据量限制。通过Penn关系解读,SHAP描述符得出了明确的设计规则——采用极性、非共轭结构而非扩展共轭结构来提升介电常数。结合自助法不确定性、适用域及阈值敏感性分析,对571个未见候选物进行筛选,最终推荐了氨基甲酸酯/脲类宽带隙高介电常数重复单元。
返回资讯频道