CN112185478B - 一种tadf发光分子发光性能的高通量预测方法 - Google Patents

一种tadf发光分子发光性能的高通量预测方法 Download PDF

Info

Publication number
CN112185478B
CN112185478B CN202011181452.6A CN202011181452A CN112185478B CN 112185478 B CN112185478 B CN 112185478B CN 202011181452 A CN202011181452 A CN 202011181452A CN 112185478 B CN112185478 B CN 112185478B
Authority
CN
China
Prior art keywords
molecular
tadf
molecules
layer
light emitting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011181452.6A
Other languages
English (en)
Other versions
CN112185478A (zh
Inventor
谭筝
史卫梅
杨仕清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dragon Totem Technology Hefei Co ltd
Original Assignee
Chengdu Polytechnic
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Polytechnic filed Critical Chengdu Polytechnic
Priority to CN202011181452.6A priority Critical patent/CN112185478B/zh
Publication of CN112185478A publication Critical patent/CN112185478A/zh
Application granted granted Critical
Publication of CN112185478B publication Critical patent/CN112185478B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Electroluminescent Light Sources (AREA)

Abstract

本发明公开了一种TADF发光分子发光性能的高通量预测方法，该方法对满足预设光电性能条件的分子给体、分子受体以及分子连接体进行虚拟合成得到TADF发光分子，将部分TADF发光分子作为样本分子，将样本分子的分子结构转换成ECFP分子指纹，使用基于深度神经网络的回归模型对样本分子的分子特征和发光性能进行训练，并使用训练好的回归模型对所有TADF发光分子发光性能进行预测，最后选择预设发光性能阀值，对TADF发光分子进行筛选，筛选出的TADF发光分子作为实验合成对象。本发明能够很大程度的减少TADF发光分子设计的周期和成本。

Description

一种TADF发光分子发光性能的高通量预测方法
技术领域
本发明涉及发光材料设计技术领域，特别是涉及一种TADF发光分子发光性能的高通量预测方法。
背景技术
有机发光二极管(OLED)因其自发光、驱动电压低、柔性显示、响应速度快等特性备受科学界和工业界关注，目前已在平板显示、固态照明、可穿戴设备显示等领域获得了大量应用。有机电致发光材料，作为发光器件的核心技术，目前以取得了显著进展。基于荧光发射材料的第1代OLED仅仅利用了单重态激子发光，其内量子效率(IQE)只有25％。第2代OLED基于贵金属包含的磷光发射材料，通过贵金属与其配体间的自旋轨道耦合(SOC)综合利用了单重态(25％)和三重态(75％)激子，IQE可达100％。然而，磷光发射材料仍存在如下问题:(1)Ir(III)，Pt(II)和Os(II)等金属价格高昂；(2)基于磷光发射的OLED在高电流下会出现效率滚降现象；(3)高效且稳定的深蓝磷光基OLED(PhOLED)的制备难度仍然较大。近10年来，为了避免使用贵金属，人们尝试各种方法提高荧光OLED的单重态激子产率，其中，热激活延迟荧光(TADF)材料，成为了该领域的研究热点。
目前在TADF材料的设计和合成方面，绿光材料的辐射波长中心为532nm，对应能量为2.33eV，相应材料合成最容易获得，且基于绿光的TADF OLED的电致发光效率和寿命是三基色中最好的。目前主要的绿光OLED材料有Cu(I)化合物，咔唑/间苯二腈衍生物，三嗪衍生物等，其外量子效率(EQE)在6％～29％不等，已经可以媲美高性能的PhOLED。
蓝光材料辐射波长中心为450nm，对应能量为2.76eV，其HOMO(最高占据分子轨道)和LUMO(最低未占分子轨道)能级差较大，共轭度较小且大多呈扭曲刚性结构，材料合成也相对容易获得。目前主要的蓝光材料有Cu(I)化合物，三嗪衍生物，二苯基砜衍生物等，其EQE在5％～25％不等，OLED器件的电流效率达到21.1～30.1cd/A，功率效率为11.0～15.76lm/W，亮度为28500～42750cd/m2。
红光材料辐射中心波长为650nm，对应能量为1.91eV，相较于绿光和蓝光，由于波长的增加使非辐射衰减增加，因此要求更大的共轭体系或更强的分子内电荷转移能力。该波段材料设计及合成难度加大，器件的发光效率和EQE也较低。目前红光材料主要有PTZ-TRZ，HAP-3TPA，蒽醌衍生物，其EQE能达到9％～17％。
长期以来，有机化学合成严重依赖于经验知识，在OLED发光分子的合成中亦是如此。所合成的分子可以具有什么样的发光性质，所制成的器件的各种光电性能参数如何，稳定性如何，都依靠不断的经验试错。此种分子设计方式周期长，成本高，且需要极大的人力资源。
发明内容
本发明的目的在于提供一种TADF发光分子发光性能的高通量预测方法，能够很大程度的减少TADF发光分子设计的周期和成本。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种TADF发光分子发光性能的高通量预测方法，包括步骤：
S1：从有机分子化学数据库中筛选出分子给体、分子受体以及分子连接体，其中，所述分子给体、分子受体满足预设光电性能条件；
S2：按照BRICS逆向合成规则，根据分子给体-分子连接体-分子受体的合成方式对每个分子给体、分子受体以及分子连接体进行虚拟合成，得到TADF发光分子；
S3：选择预定数量的TADF发光分子作为样本分子，对所述样本分子进行DFT或TDDFT计算，得到每一样本分子的单重态-三重态激发能间隙ΔEST和跃迁振动强度f，作为每一样本分子的发光性能指标；
S4：将样本分子的分子结构转换成ECFP分子指纹，使用基于深度神经网络的回归模型对样本分子的ECFP分子指纹和发光性能指标进行训练，并使用训练好的回归模型对所有TADF发光分子的发光性能指标进行预测；
S5：从所有TADF发光分子中选择发光性能指标大于预设发光性能阀值的TADF发光分子作为实验合成对象。
优选的，所述预设光电性能条件为EHOMO>-6.5eV和ELUMO<-1.0eV，EHOMO表示最高占据分子轨道能量，ELUMO表示最低未占分子轨道能量。
优选的，所述预设发光性能阀值为f>0.1和ΔEST<0.15eV或者f>0.05和ΔEST<0.175eV。
优选的，所述预定数量为所有TADF发光分子数量的千分之一或百分之一。
优选的，所述深度神经网络为全连接深度神经网络。
优选的，所述深度神经网络的结构为四层，第一层为输入层x，共有1024个神经元，与分子特征数量相同；第二层为第一隐藏层h1，共有512个神经元，每个神经元与输入层全连接，由输入层经过非线性变换h1＝Relu(w1x+b1)得到，其中，Relu为线性整流激活函数，w1为连接系数，b1为偏置，x为输入层；第三层为第二隐藏层h2，共有256个神经元，每个神经元与第一隐藏层h1全连接，由第一隐藏层h1经过非线性变换h2＝Relu(w2h1+b2)得到，其中，w2为连接系数，b2为偏置；第四层为输出层P，共有1个神经元，该神经元与第二隐藏层h2全连接，由第二隐藏层h2经过线性变换P＝w3h2+b3得到，其中，w3为连接系数，b3为偏置，输出层P的输出为发光性能指标。
区别于现有技术的情况，本发明的有益效果是：通过机器学习算法，对分子受体、分子给体和分子连接体进行虚拟合成，并对TADF发光分子的发光性能进行高通量预测，按照一定的指标对发光分子进行筛选，从而能够很大程度的减少TADF发光分子设计的周期和成本，使得分子从设计层面上就可满足OLED器件的发光性能要求，可以极大的提高实验研发和工业化制备的效率，有着极大的应用价值。
附图说明
图1是本发明实施例的TADF发光分子发光性能的高通量预测方法的流程示意图。
图2是分子给体的化学结构图。
图3是分子受体的化学结构图。
图4是分子连接体的化学结构图。
图5是分子受体的化学反应示意图。
图6是TADF发光分子的合成示意图。
图7是深度神经网络的结构示意图。
图8是具有代表性的4个虚拟合成的TADF发光分子的化学结构图。
图9是具有代表性的4个虚拟合成的TADF发光分子的发光性能预测结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，本发明实施例的TADF发光分子发光性能的高通量预测方法包括以下步骤：
S1：从有机分子化学数据库中筛选出分子给体、分子受体以及分子连接体，其中，分子给体、分子受体满足预设光电性能条件。
其中，有机分子化学数据库是现有的数据库，包含有已经设计好的分子给体、分子受体以及分子连接体。由于有机发光分子要求尽量小的HOMO-LUMO轨道交叉，其对电子给体和电子受体的能级有一定要求，因此，在本实施例中，预设光电性能条件为EHOMO>-6.5eV和ELUMO<-1.0eV，EHOMO表示最高占据分子轨道能量，ELUMO表示最低未占分子轨道能量。
在一个实际应用中，筛选出的分子给体、分子受体以及分子连接体分别为30个、28个、13个。30个分子给体的化学结构图如图2所示，28个分子受体的化学结构图如图3所示，13个分子连接体的化学结构图如图4所示。为了方便描述，分子给体以donor表示，分子受体以acceptor表示，分子连接体以bridge表示。
S2：按照BRICS逆向合成规则，根据分子给体-分子连接体-分子受体的合成方式对每个分子给体、分子受体以及分子连接体进行虚拟合成，得到TADF发光分子。
其中，按照BRICS(breaking of retrosynthetically interesting chemicalsubstructures)规则，对每个分子给体、分子受体以及分子连接体的化学配位进行标注。如图5所示，左方为一个分子受体的分子片段，右方为具有化学活性的BRICS分子片段，其具有一个悬挂键，可以与其它BRICS分子片段进行化学反应。14代表该悬挂键所处的化学环境(BRICS规则里一共有16个化学环境可供选择)。
基于每个分子给体、分子受体以及分子连接体的BRICS分子片段，可以根据donor-bridge-acceptor的合成方式进行虚拟合成得到TADF发光分子。如图6所示，为一种可能的合成方式。
S3：选择预定数量的TADF发光分子作为样本分子，对样本分子进行DFT或TDDFT计算，得到每一样本分子的单重态-三重态激发能间隙ΔEST和跃迁振动强度f，作为每一样本分子的发光性能指标。
其中，虚拟合成得到的TADF发光分子数量通常在千万数量级，为了减少计算量，在本实施例中，预定数量为所有TADF发光分子数量的千分之一或百分之一。也就是说，预定数量在1万数量左右或者10万数量左右。
TADF发光分子因需要较大的反向系间蹿越系数kRISC，以至于激子可以通过热激发的方式迅速的从三重激发态跨越到单重激发态，从而完成荧光辐射过程，提高荧光发射效率。kRISC一般与单重态-三重态激发能间隙ΔEST负相关，因此TADF发光分子的设计基本是利用donor-acceptor的分子构架，其分子电荷转移(charge transfer)的特征，可以减少HOMO/LUMO前沿轨道的交叉，从而达到最小化ΔEST的目的。
ΔEST的计算公式为：
Figure BDA0002750312600000051
其中，
Figure BDA0002750312600000052
和
Figure BDA0002750312600000053
代表HOMO，LUMO轨道的波函数，e为电子电荷，r1，r2为电子空间坐标。
TADF发光分子的发光强度一般正比于跃迁振动强度f，要得到亮度较高的发光分子器件，需采用f大于一定阀值的TADF发光分子。在charge transfer的分子构架中，f取决于HOMO/LUMO轨道的耦合程度，耦合程度越高，振动强度越大。而为了达到ΔEST最小化的目标，则需要减少HOMO/LUMO的轨道耦合。因此良好的TADF发光分子设计，取决于ΔEST与f之间的权衡。一般来说选用ΔEST在一定阀值之下，f在一定阀值之上的分子结构。
f的计算公式为：
Figure BDA0002750312600000054
其中，μ为分子跃迁极矩。
S4：将样本分子的分子结构转换成ECFP分子指纹，使用基于深度神经网络的回归模型对样本分子的ECFP分子指纹和发光性能指标进行训练，并使用训练好的回归模型对所有TADF发光分子的发光性能指标进行预测。
其中，ECFP是众多分子指纹的一种，有现成的算法可以实现。其主要宗旨是将原子信息和该原子周围一定半径长度范围之内的原子结构信息加密成由0和1组成的二进制编码。在本实施例中，采用的是1024位的编码。
在本实施例中，深度神经网络为全连接深度神经网络。如图7所示，深度神经网络的结构为四层，第一层为输入层x，共有1024个神经元，与分子特征数量相同；第二层为第一隐藏层h1，共有512个神经元，每个神经元与输入层全连接，由输入层经过非线性变换h1＝Relu(w1x+b1)得到，其中，Relu为线性整流激活函数，w1为连接系数，b1为偏置，x为输入层；第三层为第二隐藏层h2，共有256个神经元，每个神经元与第一隐藏层h1全连接，由第一隐藏层h1经过非线性变换h2＝Relu(w2h1+b2)得到，其中，w2为连接系数，b2为偏置；第四层为输出层P，共有1个神经元，该神经元与第二隐藏层h2全连接，由第二隐藏层h2经过线性变换P＝w3h2+b3得到，其中，w3为连接系数，b3为偏置，输出层P的输出为发光性能指标。
具体而言，输出层P的输出即可为ΔEST，也可为f，分别代表两种不同的回归模型。
第一隐藏层h1、第二隐藏层h2的神经元个数m，n为可变参数，可适当调整，以样本训练的拟合程度为准。
本发明设置均方根误差RMSE为损失函数，用于评估模型对训练集的误差。
Figure BDA0002750312600000061
其中y为实际标注性能，P为预测性能，N为样本数量。在取得误差后，使用Autograd作为优化器来将误差反向传播来更新模型中的参数。
训练完成后，分别使用基于ΔEST和f的回归模型，对所有TADF发光分子的ΔEST和f进行预测。
S5：从所有TADF发光分子中选择发光性能指标大于预设发光性能阀值的TADF发光分子作为实验合成对象。
其中，作为实验合成对象的TADF发光分子是具有非常优良的发光性能。在本实施例中，预设发光性能阀值为f>0.1和ΔEST<0.15eV或者f>0.05和ΔEST<0.175eV。在前述的实际应用中，如果预设发光性能阀值设置为f>0.1和ΔEST<0.15eV，最后可以大致得到900个TADF发光分子；如果预设发光性能阀值设置为f>0.05和ΔEST<0.175eV，我们可以大致得到3000个TADF发光分子。
如图8所示，是具有代表性的4个虚拟合成的TADF发光分子的化学结构图。它们的发光性能预测结果如图9所示。根据光谱分析，4个虚拟合成的TADF发光分子的光谱基本位于蓝光范围内。
通过上述方式，本发明实施例的TADF发光分子发光性能的高通量预测方法通过机器学习算法，对分子受体、分子给体和分子连接体进行虚拟合成，并对TADF发光分子的发光性能进行高通量预测，按照一定的指标对发光分子进行筛选，从而能够很大程度的减少TADF发光分子设计的周期和成本，使得分子从设计层面上就可满足OLED器件的发光性能要求，可以极大的提高实验研发和工业化制备的效率，有着极大的应用价值。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (5)

1.一种TADF发光分子发光性能的高通量预测方法，其特征在于，包括步骤：
S1：从有机分子化学数据库中筛选出分子给体、分子受体以及分子连接体，其中，所述分子给体、分子受体满足预设光电性能条件；
S2：按照BRICS逆向合成规则，根据分子给体-分子连接体-分子受体的合成方式对每个分子给体、分子受体以及分子连接体进行虚拟合成，得到TADF发光分子；
S3：选择预定数量的TADF发光分子作为样本分子，对所述样本分子进行DFT或TDDFT计算，得到每一样本分子的单重态-三重态激发能间隙ΔEST和跃迁振动强度f，作为每一样本分子的发光性能指标；
S4：将样本分子的分子结构转换成ECFP分子指纹，使用基于深度神经网络的回归模型对样本分子的ECFP分子指纹和发光性能指标进行训练，并使用训练好的回归模型对所有TADF发光分子的发光性能指标进行预测；
S5：从所有TADF发光分子中选择发光性能指标大于预设发光性能阀值的TADF发光分子作为实验合成对象；
所述预设光电性能条件为EHOMO>-6.5eV和ELUMO<-1.0eV，EHOMO表示最高占据分子轨道能量，ELUMO表示最低未占分子轨道能量。
2.根据权利要求1所述的高通量预测方法，其特征在于，所述预设发光性能阀值为f>0.1和ΔEST<0.15eV或者f>0.05和ΔEST<0.175eV。
3.根据权利要求2所述的高通量预测方法，其特征在于，所述预定数量为所有TADF发光分子数量的千分之一或百分之一。
4.根据权利要求1所述的高通量预测方法，其特征在于，所述深度神经网络为全连接深度神经网络。
5.根据权利要求4所述的高通量预测方法，其特征在于，所述深度神经网络的结构为四层，第一层为输入层x，共有1024个神经元，与分子特征数量相同；第二层为第一隐藏层h1，共有512个神经元，每个神经元与输入层全连接，由输入层经过非线性变换h1＝Relu(w1x+b1)得到，其中，Relu为线性整流激活函数，w1为连接系数，b1为偏置，x为输入层；第三层为第二隐藏层h2，共有256个神经元，每个神经元与第一隐藏层h1全连接，由第一隐藏层h1经过非线性变换h2＝Relu(w2h1+b2)得到，其中，w2为连接系数，b2为偏置；第四层为输出层P，共有1个神经元，该神经元与第二隐藏层h2全连接，由第二隐藏层h2经过线性变换P＝w3h2+b3得到，其中，w3为连接系数，b3为偏置，输出层P的输出为发光性能指标。
CN202011181452.6A 2020-10-29 2020-10-29 一种tadf发光分子发光性能的高通量预测方法 Active CN112185478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011181452.6A CN112185478B (zh) 2020-10-29 2020-10-29 一种tadf发光分子发光性能的高通量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011181452.6A CN112185478B (zh) 2020-10-29 2020-10-29 一种tadf发光分子发光性能的高通量预测方法

Publications (2)

Publication Number Publication Date
CN112185478A CN112185478A (zh) 2021-01-05
CN112185478B true CN112185478B (zh) 2022-05-31

Family

ID=73917926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011181452.6A Active CN112185478B (zh) 2020-10-29 2020-10-29 一种tadf发光分子发光性能的高通量预测方法

Country Status (1)

Country Link
CN (1) CN112185478B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113380337A (zh) * 2021-06-08 2021-09-10 浙江大学 一种基于深度神经网络的有机荧光小分子光学性质预测方法
CN114446414B (zh) * 2022-01-24 2023-05-23 电子科技大学 基于量子循环神经网络的逆向合成分析方法
CN116189789B (zh) * 2023-05-04 2023-11-21 深圳大学 使用机器学习筛选聚集诱导发光分子的方法及设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104181141B (zh) * 2014-08-30 2016-08-24 西安电子科技大学 基于遗传算法的发光材料组合试样库数据分析方法
WO2019048965A1 (ja) * 2017-09-06 2019-03-14 株式会社半導体エネルギー研究所 物性予測方法および物性予測システム
CN109369616A (zh) * 2018-12-05 2019-02-22 武汉华星光电半导体显示技术有限公司 绿光热活化延迟荧光材料及其合成方法、电致发光器件

Also Published As

Publication number Publication date
CN112185478A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN112185478B (zh) 一种tadf发光分子发光性能的高通量预测方法
Pode Organic light emitting diode devices: An energy efficient solid state lighting for applications
Zhang et al. Strategies to achieve high-performance white organic light-emitting diodes
Beljonne et al. Interchain interactions in conjugated materials: The exciton model versus the supermolecular approach
Zaiats et al. Quantum dot light-emitting devices: beyond alignment of energy levels
Liu et al. Efficient single-layer organic light-emitting diodes based on C545T-Alq3 system
CN104109105B (zh) 用于有机发光二极管的光电材料及使用该光电材料的元件
CN105309047A (zh) 发光装置以及照明装置
KR20230113641A (ko) 축합 고리 화합물, 이의 응용 및 이를 포함하는 유기전계 발광 소자
Lu et al. Virtual screening of hole transport, electron transport, and host layers for effective OLED design
Li et al. High-efficiency red-fluorescent organic light-emitting diodes with excellent color purity
Bhatnagar Organic light-emitting diodes—a review
Aizawa et al. Design of Thermally Activated Delayed Fluorescence Materials for Organic Light-Emitting Diodes.
Abroshan et al. Machine Learning for the Design of Novel OLED Materials
Abroshan et al. Active learning accelerates design and optimization of hole-transporting materials for organic electronics
Jeong et al. Deep learning for development of organic optoelectronic devices: efficient prescreening of hosts and emitters in deep-blue fluorescent OLEDs
Bu et al. Designing Promising Thermally Activated Delayed Fluorescence Emitters via Machine Learning-Assisted High-Throughput Virtual Screening
Chen et al. Machine learning assisted stability analysis of blue quantum dot light-emitting diodes
Xue et al. Influence of the Length of the Donor–Acceptor Bridge on Thermally Activated Delayed Fluorescence
Yu et al. Excited-state descriptors for high-throughput screening of efficient electro-fluorescent materials
CN105837602B (zh) 一种具有热活化延迟荧光性能的黄绿光亚铜配合物及其制备方法
Freitag White top-emitting oleds on metal substrates
Tavakoli et al. Ab-initio search for efficient red thermally activated delayed fluorescence molecules for organic light emitting diodes
TW200918488A (en) Trinaphthyl monoamine or derivative thereof, organic electroluminescent device using the same, and organic electroluminescent material-containing solution
Rostami et al. Light extraction efficiency enhancement in organic light emitting diodes based on optimized multilayer structures

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240117

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: No.15 Zhanhua Road, high tech Zone, Chengdu, Sichuan 610299

Patentee before: Chengdu Polytechnic

TR01 Transfer of patent right