Key points are not available for this paper at this time.
Resumo A descoberta de materiais funcionais de alto desempenho é crucial para superar problemas técnicos nas indústrias modernas. Esforços extensivos foram dedicados a acelerar e facilitar esse processo, não apenas experimentalmente, mas também do ponto de vista do design de materiais. Recentemente, o aprendizado de máquina atraiu considerável atenção, pois pode fornecer diretrizes racionais para a exploração eficiente de materiais sem iterações demoradas ou conhecimento humano prévio. Nesse sentido, aqui desenvolvemos um modelo de design inverso baseado em uma arquitetura de codificador-decodificador profundo para design molecular direcionado. Inspirado na tradução de linguagem de máquina neural, o codificador de rede neural profunda extrai características ocultas entre estruturas moleculares e suas propriedades materiais, enquanto o decodificador de rede neural recorrente reconstrói as características extraídas em novas estruturas moleculares com as propriedades alvo. Em tarefas de design de materiais, a metodologia totalmente orientada a dados proposta aprendeu com sucesso regras de design a partir dos bancos de dados fornecidos e gerou moléculas promissoras para absorção de luz e materiais hospedeiros para um diodo emissor de luz orgânica fosforescente, criando novos ligantes e regras combinatórias.
Kim et al. (Mon,) estudaram essa questão.