La prédiction précise des spectres d'émission est cruciale pour la conception rationnelle des matériaux luminescents dans les dispositifs optoélectroniques tels que les diodes électroluminescentes organiques phosphorescentes (OLED). Nous présentons un cadre d'apprentissage machine informé par la physique qui intègre la progression Franck–Condon comme un module différentiable pour la prédiction des spectres. Le modèle estime des paramètres physiques clés et reconstruit des spectres dans une formulation continue, différentiable et entraînable de bout en bout, permettant une supervision directe dans le domaine spectral. À travers plusieurs architectures et sur plusieurs métriques d'évaluation, l'approche surpasse systématiquement les références conventionnelles et maintient une précision stable à mesure que la complexité spectrale augmente, indiquant des gains robustes dans la capture de la forme spectrale complète et des caractéristiques caractéristiques. Les paramètres appris sont interprétables et révèlent quels modes vibratoires gouvernent la forme spectrale. Avec une paramétrisation physiquement fondée, le cadre améliore la fidélité prédictive tout en préservant l'interprétabilité. En accord avec le principe de Franck–Condon, les ablations de comptage de modes montrent qu'un petit sous-ensemble de modes avec de grands facteurs de Huang–Rhys domine les caractéristiques spectrales globales. Ces résultats soulignent l'utilité des modèles basés sur la physique différentiables pour améliorer la précision, la robustesse et l'interprétabilité dans la prédiction des propriétés moléculaires, et suggèrent une extension simple aux spectroscopies émissives et absorbantes.
Lee et al. (Thu,) ont étudié cette question.