机器学习驱动的光驱动有机晶体输出力的优化

可通过光进行远程控制的光驱动有机晶体作为下一代驱动器材料正受到关注。在驱动器材料的实际应用中，变形模式和输出力是重要的特性。由于输出力取决于晶体性质和实验条件，因此有必要从广阔的参数空间中探索最佳条件。在本研究中，我们采用了两种机器学习进行分子设计和实验优化，以最大化阻塞力。分子设计中的机器学习促成了水杨亚胺衍生物材料库的创建。贝叶斯优化用于从材料库中高效采样以用于现实世界的力测量，实现了 37.0 mN 的最大阻塞力。该方法比网格搜索方法效率至少高 73 倍。