博彩-玩博彩策略论坛

作為人工智能時代科學發現的全新研究范式，“AI4Sicence”已經成為各領域的研究熱點。人工智能深度融入科研活動，參與提出假設、實驗設計、數據分析和應用優化的全部科研環節，已經成為科學發現的強力工具。例如，生物學中AlphaFold已經成為一種蛋白質解析標準，材料科學的強化學習模型GnoME和高通量第一性原理計算結合尋找到38萬余個熱力學穩定的晶體材料。受益于更好的可解釋性，傳統的機器學習方法也仍在持續產生新的科學見解。

量子點發光二極管（QLED）具有窄帶發射、高亮度和可溶液制備等特點，是實現印刷顯示和AR顯示應用的重要技術路線。經過近30年的發展，目前基于旋涂技術的紅綠色QLED原型器件的效率和信賴性已經基本滿足產業化的需求，然而藍光QLED器件的效率和壽命相對落后，是QLED產業化發展的主要瓶頸之一。

通過量子點的缺陷鈍化、傳輸層和量子點的能帶匹配、接觸界面的工藝優化，已經對QLED器件實現了巨大的性能提升。QLED穩定性與焦耳熱、電荷積累、界面化學反應等強相關，而其電致發光效率與載流子注入平衡性、熒光量子產率、出光耦合效率等有關。揭示器件運行機理，發現器件性能關鍵影響因素，是指導QLED性能提升的理論基礎和技術關鍵。

作為典型的多材料多界面疊層器件，QLED的性能影響因素復雜多樣且相互耦合，傳統的對照實驗和表征分析難以獲得器件性能關鍵特征。最近，北京理工大學鐘海政教授團隊與TCL公司、澳門大學王雙鵬團隊合作，基于電流-電壓-亮度(J-V-L)、阻抗譜、亮度衰減測試和器件光伏測試等多種表征方法，在“人工智能驅動的科學”（AI for Science）研究范式下，闡明了與QLED穩定性和外量子效率相關的關鍵器件特征，為器件運行機理和性能優化提供了新的見解。

1.機器學習輔助QLED器件分析研究思路

機器學習輔助的科學研究是在測試數據收集、機器學習分析和物理模型理解的基礎上獲得科學見解和理論的。在事先設計的參量空間中進行器件制備和測試，然后使用參量函數擬合提取測試結果的曲線特征，使用決策樹分析獲得關鍵特征集和人工神經網絡進行性能預測，最后結合等效電路和載流子輸運等物理模型獲得對QLED性能的器件理解和優化指導。

圖1. 機器學習輔助QLED器件分析的研究思路

2.藍光QLED器件T95壽命的關鍵影響因素

我們測量了824個器件的電流密度-電壓-亮度（J-V-L）曲線、阻抗譜和亮度衰減曲線，基于數學擬合提取了26個曲線特征，優化構建了分類決策樹，建立了來自亮度衰減曲線的T95壽命與J-V-L特征、阻抗譜特征之間的關聯。決策樹分析表明阻抗譜的相位低點( ? min)，阻抗模值下降指數( p ) , 低頻斜率(δ Z 0)和J-V-L曲線的開啟電壓(Δ V 1)，漏電流( b 1)，EQE最高點電壓(Δ V 3)和電流上升速率(δ j 2)是與藍光QLED穩定性相關的重要器件特征，如圖2所示。

圖2. 分類決策樹分析的結果。

根據等效電路，進一步研究了上述重要特征相關的物理模型，并在等效電路層面給出了壽命提升策略（見表1）。基于本課題組前期研究工作（J. Phys. Chem. Lett. 2023, 14 (7), 1777-1783.），交流驅動時，QLED器件可通過一個包含串聯電阻、并聯電阻和并聯電容的RC電路來描述；直流驅動時，可根據中國科學技術大學張振宇教授等人提出的直流電路模型（Nat. Photonics 2019, 13 (3), 192-197.）來描述。據此等效電路模型我們發現特征 ? min與串聯電阻和并聯電阻有關，特征 p 與電容分布均勻性有關，特征δ Z 0與測量過程中的器件老化行為有關。而在J-V-L測試中，特征Δ V 1與注入勢壘有關， b 1和Δ V 3與漏電流電阻相關，特征δ j 2與漏電流和非復合pn結電流有關。基于此結果可以獲得壽命提升策略，例如，若測得某器件設計在其他特征相差較小的情況下，開啟電壓Δ V 1普遍偏大，就知道需要減小平帶電壓，可以通過優化能帶排列和界面質量提升壽命。

表1. 藍色QLED壽命相關重要特征

3.QLED器件電致發光效率與光伏測試特征的關聯

我們測量了200余個器件的電流密度-電壓-亮度（J-V-L）曲線、光伏曲線和時間分辨電致發光（TREL）曲線，同樣基于數學擬合，提取了17個曲線特征，優化構建了回歸樹，建立了來自J-V-L曲線的最大外量子效率EQEmax與光伏特征、TREL特征之間的關聯（如圖3所示）。決策樹分析表明 V OC- I SC曲線斜率突變點( x 0)， V OC- L 非線性系數( a 1) ，  I SC- L 彎曲指數( p 2)，TREL曲線復合率 r 和最大開路電壓()是與QLED外量子效率相關的重要器件特征。

圖3. 曲線特征的擬合提取與回歸決策樹的構建結果。

電致發光與光生伏特是兩個互逆過程，根據載流子輸運模型，進一步研究了上述重要特征相關的物理過程因素（見圖4）。分析表明VOC-ISC曲線特征x0與QLED光照下內建電勢Vbi的飽和有關，x0與飽和Vbi下由電極收集到的光生載流子濃度成正比。而相似結構、相同量子點的QLED器件，光生載流子初始濃度相近，電極收集到的載流子濃度主要受到輸運過程的非輻射復合損失影響。更大的x0，意味著更少的傳輸損失，有利于電注入效率的提高，從而與EQE正相關。類似地，分析表面其他特征的大小也主要對應于非輻射復合損失的多少。我們指出，光伏測試是表征QLED器件非輻射復合的有效手段，能夠減少電致發光過程的高偏壓和高溫升給測試結果帶來的誤差，可能成為QLED器件表征的又一種標準手段。

圖4. 光照下QLED的載流子輸運圖景。

我們通過統計學角度可解釋的決策樹分析方法，獲得了影響QLED穩定性和效率的一些關鍵測量特征，結合物理模型分析給出了新的科學見解和優化方向。未來，本課題組將引入更多的人工智能技術進行材料和器件研究，例如引入分子指紋的化學分析、主動學習的實驗設計、可解釋神經網絡等。歡迎人工智能相關的課題組與我們進行交流、討論與合作。

文章信息：

[1] Chen Cuili#, Lin Xiongfeng#, Wu Xian-gang#, Bao Hui, Wu Longjia, Hu Xiangmin*, Zhang Yongyou, Yang Di, Hou Wenjun, Cao Weiran, Zhong Haizheng*. Machine Learning Assisted Stability Analysis of Blue Quantum Dot Light-Emitting Diodes.  Nano Lett  2023, 23 (12), 5738-5745.https://pubs.acs.org/doi/10.1021/acs.nanolett.3c01491

[2] Yang Min, Bao Hui, Hu Xiangmin*, Sun Shipei, Li Menglin, Liu Hang, Wang Shuangpeng, Zhong Haizheng*. Machine Learning Correlating Photovoltaics and Electroluminescence of Quantum Dot Light-emitting Diodes.  ACS Photonics , 2024, 11 (5), 2131-2137.https://pubs.acs.org/doi/10.1021/acsphotonics.4c00413

附課題組簡介：

北京理工大學材料學院智能光子學課題組成立于2009年，課題組以培養光子學材料領域的交叉創新人才和開展顛覆性智能光子學技術為使命，課題組面向新型顯示、智能傳感等應用需求，圍繞量子點、鈣鈦礦、共軛聚合物等新型光電材料，開展“材料?器件?系統”全鏈條研究，在Nature Photonics、Nature Nanotechnology、Nature Synthesis、Nature Communications、Light: Science & Applications、Advanced Materials、Advanced Functional Materials、ACS Nano等期刊發表學術論文200余篇，總引用次數>14,000次，單篇最高引用>1,900次，申請中國發明專利100余項，在國內外學術會議上做邀請報告60余次，在新型量子點材料及其照明顯示應用方面形成特色和國際影響。

作者胡香敏，2022年博士畢業于清華大學機械工程系，現為北京理工大學光學工程博士后，主要從事“人工智能+光子學”科學研究和高光譜技術開發。發表文章17篇，申請發明專利6項（已授權4項），獲得北京市自然科學二等獎1次。獲得博士后面上基金，國自然青年基金資助。胡香敏博士是論文共同通訊作者，在論文工作中主要負責器件的機器學習分析。

團隊負責人鐘海政，北京理工大學材料學院，教授、博導，The Journal of Physical Chemistry Letters 執行主編。主要從事量子點應用技術研究，已在Nature Photonics 等期刊上發表論文200余篇，所有論文被引用10000余次，入選愛思唯爾2020-2022年中國高被引學者。