有机分子的增材工程对于实现高性能钙钛矿光电器件至关重要。 然而，通过实验寻找合适的添加剂既昂贵又耗时，而传统的机器学习 (ML) 由于在这个相对较新的领域中可用的实验数据有限，因此难以准确预测。南京工业大学黄维院士（西北工业大学）, 王建浦以及Lin Zhu等人展示了一种深度学习方法，该方法可以通过使用132个分子的小型数据集以高达 96% 的高精度预测钙钛矿发光二极管 (PeLED) 中添加剂的有效性。 

本文要点：

1）该模型可以最大限度地利用分子的信息，并显著缓解以前的ML模型进行分子筛选时经常出现的重复问题。

2） 通过使用预测的添加剂，可以实现非常高效率的PeLED，其峰值外量子效率高达22.7%。 该工作为进一步提高钙钛矿光电器件的性能开辟了一条新途径。

Zhang, L., Li, N., Liu, D., Tao, G., Xu, W., Li, M., Chu, Y., Cao, C., Lu, F., Hao, C., Zhang, J., Cao, Y., Gao, F., Wang, N., Zhu, L., Huang, W. and Wang, J. (2022), Deep Learning for Additive Screening in Perovskite Light-Emitting Diodes. Angew. Chem. Int. Ed.. 

https://doi.org/10.1002/anie.202209337

https://onlinelibrary.wiley.com/doi/abs/10.1002/anie.202209337