作为人工智能时代科学发现的全新研究范式，“AI4Sicence”已经成为各领域的研究热点。人工智能深度融入科研活动，参与提出假设、实验设计、数据分析和应用优化的全部科研环节，已经成为科学发现的强力工具。例如，生物学中AlphaFold已经成为一种蛋白质解析标准，材料科学的强化学习模型GnoME和高通量第一性原理计算结合寻找到38万余个热力学稳定的晶体材料。受益于更好的可解释性，传统的机器学习方法也仍在持续产生新的科学见解。

量子点发光二极管（QLED）具有窄带发射、高亮度和可溶液制备等特点，是实现印刷显示和AR显示应用的重要技术路线。经过近30年的发展，目前基于旋涂技术的红绿色QLED原型器件的效率和信赖性已经基本满足产业化的需求，然而蓝光QLED器件的效率和寿命相对落后，是QLED产业化发展的主要瓶颈之一。

通过量子点的缺陷钝化、传输层和量子点的能带匹配、接触界面的工艺优化，已经对QLED器件实现了巨大的性能提升。QLED稳定性与焦耳热、电荷积累、界面化学反应等强相关，而其电致发光效率与载流子注入平衡性、荧光量子产率、出光耦合效率等有关。揭示器件运行机理，发现器件性能关键影响因素，是指导QLED性能提升的理论基础和技术关键。

作为典型的多材料多界面叠层器件，QLED的性能影响因素复杂多样且相互耦合，传统的对照实验和表征分析难以获得器件性能关键特征。最近，华体会体育钟海政教授团队与TCL公司、澳门大学王双鹏团队合作，基于电流-电压-亮度(J-V-L)、阻抗谱、亮度衰减测试和器件光伏测试等多种表征方法，在“人工智能驱动的科学”（AI for Science）研究范式下，阐明了与QLED稳定性和外量子效率相关的关键器件特征，为器件运行机理和性能优化提供了新的见解。

1.机器学习辅助QLED器件分析研究思路

机器学习辅助的科学研究是在测试数据收集、机器学习分析和物理模型理解的基础上获得科学见解和理论的。在事先设计的参量空间中进行器件制备和测试，然后使用参量函数拟合提取测试结果的曲线特征，使用决策树分析获得关键特征集和人工神经网络进行性能预测，最后结合等效电路和载流子输运等物理模型获得对QLED性能的器件理解和优化指导。

图1. 机器学习辅助QLED器件分析的研究思路

2.蓝光QLED器件T95寿命的关键影响因素

我们测量了824个器件的电流密度-电压-亮度（J-V-L）曲线、阻抗谱和亮度衰减曲线，基于数学拟合提取了26个曲线特征，优化构建了分类决策树，建立了来自亮度衰减曲线的T95寿命与J-V-L特征、阻抗谱特征之间的关联。决策树分析表明阻抗谱的相位低点( ϕ min)，阻抗模值下降指数( p ) , 低频斜率(δ Z 0)和J-V-L曲线的开启电压(Δ V 1)，漏电流( b 1)，EQE最高点电压(Δ V 3)和电流上升速率(δ j 2)是与蓝光QLED稳定性相关的重要器件特征，如图2所示。

图2. 分类决策树分析的结果。

根据等效电路，进一步研究了上述重要特征相关的物理模型，并在等效电路层面给出了寿命提升策略（见表1）。基于本课题组前期研究工作（J. Phys. Chem. Lett. 2023, 14 (7), 1777-1783.），交流驱动时，QLED器件可通过一个包含串联电阻、并联电阻和并联电容的RC电路来描述；直流驱动时，可根据中国科学技术大学张振宇教授等人提出的直流电路模型（Nat. Photonics 2019, 13 (3), 192-197.）来描述。据此等效电路模型我们发现特征 ϕ min与串联电阻和并联电阻有关，特征 p 与电容分布均匀性有关，特征δ Z 0与测量过程中的器件老化行为有关。而在J-V-L测试中，特征Δ V 1与注入势垒有关， b 1和Δ V 3与漏电流电阻相关，特征δ j 2与漏电流和非复合pn结电流有关。基于此结果可以获得寿命提升策略，例如，若测得某器件设计在其他特征相差较小的情况下，开启电压Δ V 1普遍偏大，就知道需要减小平带电压，可以通过优化能带排列和界面质量提升寿命。

表1. 蓝色QLED寿命相关重要特征

3.QLED器件电致发光效率与光伏测试特征的关联

我们测量了200余个器件的电流密度-电压-亮度（J-V-L）曲线、光伏曲线和时间分辨电致发光（TREL）曲线，同样基于数学拟合，提取了17个曲线特征，优化构建了回归树，建立了来自J-V-L曲线的最大外量子效率EQEmax与光伏特征、TREL特征之间的关联（如图3所示）。决策树分析表明 V OC- I SC曲线斜率突变点( x 0)， V OC- L 非线性系数( a 1) ，  I SC- L 弯曲指数( p 2)，TREL曲线复合率 r 和最大开路电压()是与QLED外量子效率相关的重要器件特征。

图3. 曲线特征的拟合提取与回归决策树的构建结果。

电致发光与光生伏特是两个互逆过程，根据载流子输运模型，进一步研究了上述重要特征相关的物理过程因素（见图4）。分析表明VOC-ISC曲线特征x0与QLED光照下内建电势Vbi的饱和有关，x0与饱和Vbi下由电极收集到的光生载流子浓度成正比。而相似结构、相同量子点的QLED器件，光生载流子初始浓度相近，电极收集到的载流子浓度主要受到输运过程的非辐射复合损失影响。更大的x0，意味着更少的传输损失，有利于电注入效率的提高，从而与EQE正相关。类似地，分析表面其他特征的大小也主要对应于非辐射复合损失的多少。我们指出，光伏测试是表征QLED器件非辐射复合的有效手段，能够减少电致发光过程的高偏压和高温升给测试结果带来的误差，可能成为QLED器件表征的又一种标准手段。

图4. 光照下QLED的载流子输运图景。

我们通过统计学角度可解释的决策树分析方法，获得了影响QLED稳定性和效率的一些关键测量特征，结合物理模型分析给出了新的科学见解和优化方向。未来，本课题组将引入更多的人工智能技术进行材料和器件研究，例如引入分子指纹的化学分析、主动学习的实验设计、可解释神经网络等。欢迎人工智能相关的课题组与我们进行交流、讨论与合作。

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

附课题组简介：

华体会体育材料学院智能光子学课题组成立于2009年，课题组以培养光子学材料领域的交叉创新人才和开展颠覆性智能光子学技术为使命，课题组面向新型显示、智能传感等应用需求，围绕量子点、钙钛矿、共轭聚合物等新型光电材料，开展“材料−器件−系统”全链条研究，在Nature Photonics、Nature Nanotechnology、Nature Synthesis、Nature Communications、Light: Science & Applications、Advanced Materials、Advanced Functional Materials、ACS Nano等期刊发表学术论文200余篇，总引用次数>14,000次，单篇最高引用>1,900次，申请中国发明专利100余项，在国内外学术会议上做邀请报告60余次，在新型量子点材料及其照明显示应用方面形成特色和国际影响。

作者胡香敏，2022年博士毕业于清华大学机械工程系，现为华体会体育光学工程博士后，主要从事“人工智能+光子学”科学研究和高光谱技术开发。发表文章17篇，申请发明专利6项（已授权4项），获得北京市自然科学二等奖1次。获得博士后面上基金，国自然青年基金资助。胡香敏博士是论文共同通讯作者，在论文工作中主要负责器件的机器学习分析。

团队负责人钟海政，华体会体育材料学院，教授、博导，The Journal of Physical Chemistry Letters 执行主编。主要从事量子点应用技术研究，已在Nature Photonics 等期刊上发表论文200余篇，所有论文被引用10000余次，入选爱思唯尔2020-2022年中国高被引学者。