发光体中的能级跃迁决定了它们的发射特性，准确预测其中发光中心的能级分布对于确定它们的发光行为至关重要。然而，依赖多次实验试探的方法来确定能级分布不仅效率低而且耗时和浪费资源，这需要一种快速准确的方法来预测晶体中离子的能级分布。本工作基于机器学习的回归模型，理论与实验结合，提出了一种预测Cr³⁺和Fe³⁺在各种掺杂晶体中能级分布规律的方法，确定了这些能级在不同掺杂晶体中的位置和分布模式，以及它们对发光特性的影响。此外，还建立了一个数据集，详细描述了掺杂在不同材料中的Cr³⁺和Fe³⁺的能级分布。选择了8种机器学习回归算法进行模型构建，并对这些算法进行了综合评价和比较。结果表明，稳健回归提供了最佳的整体性能。使用训练的模型，预测了新型Cr³⁺和Fe³⁺掺杂磷光体材料中的2E和4T1能级。这些材料的最优算法的预测误差都在约1%的范围内，最佳预测误差仅为0.0056%。本研究提供了一种预测和优化磷光体材料能级结构和发光性能的创新方法，被Journal of Materials Chemistry C （IF = 6.4）12, 10889–10902, 2024接受出版！被编辑选为HOT Papers, 被选择为杂志封面！

全文链接 https://doi.org/10.1039/D4TC02168A

被选择为杂志封面：