北京大学 开创PKU-TL 破解复杂材料瓶颈，重塑OECT材料研发

来自 实验室仪器网

北京大学雷霆教授、莫凡洋长聘副教授团队在《Nature Communications》发表重磅成果，创新性提出 物理知识支撑的迁移学习（PKU-TL） 策略，破解有机半导体研发中“小数据-大化学空间”的核心难题，实现数据稀缺场景下高性能共轭聚合物的精准预测与按需设计，为有机电化学晶体管（OECT）材料研发开辟全新路径。

传统材料研发依赖 “试错法”，周期长、成本高，而现有AI模型难以适配共轭聚合物这类多因素耦合的复杂体系。尤其在OECT新兴领域，实验数据稀缺、作用机理不清晰，导致AI预测准确率极低，成为制约材料研发的关键瓶颈。

针对这一痛点，团队开创PKU-TL全新研发范式：以数据充足的有机场效应晶体管（OFET）为知识源，引入HOMO/LUMO能级、骨架平整度指数等17维物理特征向量，基于XGBoost算法构建高可解释性基础预测模型；再通过物理约束引导的迁移学习，将成熟体系知识迁移至OECT稀缺数据场景，搭建“预测—实验—迭代”闭环研发体系。

研究通过SHAP值分析明确分子量、分子平面性等核心影响因素，并首次发现片段间能级差是决定OECT核心参数μC*的关键，DFT计算证实该参数可显著提升电荷离域效率与掺杂稳定性。依托优化后的AI模型，科研团队对24000余种候选聚合物开展高通量筛选，成功设计并合成基于吡啶BDOPV的新型n型聚合物。

该材料性能达到国际领先水平，μC*高达63.5Fcm⁻¹V⁻¹s⁻¹，阈值电压低至-0.08V，完美适配低压OECT器件需求。

此项研究提出了面向小数据复杂材料体系的通用AI设计策略，推动材料研发从“经验驱动”“纯数据驱动”向“物理知识+数据双驱动”转型，不仅加速有机半导体材料的研发效率，更为有机电子、生物传感等领域的材料创新提供了可复制的技术方案。

» 仪器设备 购买 咨询